• Resumen
  • Clasifiación binaria (glaucoma vs no glaucoma)
    • Todas las capas y celdas
      • Análisis discriminante
      • Regresión logística
    • Capas significativas y todas las celdas
      • Analisis discriminante
      • Regresión logística
    • Capas significativas y celdas significativas
      • Análisis discriminante
      • Regresión logística
    • Capas significativas y celdas significativas con datos balanceados
      • Análisis discriminante
      • Regresión logística
  • Clasificación en estadíos (incluyendo sanos)
    • Todas las capas y celdas
      • Análisis discriminante
      • Regresión logística
    • Capas significativas y todas las celdas
      • Análisis discriminante
      • Regresión logística
    • Capas significativas y celdas significativas
      • Análisis discriminante
      • Regresión logística
    • Capas significativas y celdas significativas con datos balanceados
      • Análisis discriminante
      • Regresión logística
  • Clasificación en estadíos (sin incluir sanos)
    • Todas las capas y celdas
      • Análisis discriminante
      • Regresión logística
    • Capas significativas y todas las celdas
      • Análisis discriminante
      • Regresión logística
    • Capas significativas y celdas significativas
      • Análisis discriminante
      • Regresión logística

Resumen

En este trabajo se presenta un estudio de detección del Glaucoma y clasificación en estadíos (Sano, I, II, III y IV) a partir de las capas de fibras nerviosas de la mácula mediante distintos algoritmos de aprendizajes de aprendizaje automático (análisis discriminante lineal y regresión logística). Los estadíos se han generado mediante el algoritmo de K-medias (más info).

Para cada capa o combinación de capas de la mácula se presenta primero un modelo de clasificación binaria (Sano o Glaucoma) para dectectar el Glaucoma y después un modelo de clasifiación múltiple para clasificar el glaucoma en estadíos (I, II, III y IV).

Para evaluar a capacidad predictiva de cada modelo se utilizó validación cruzada y se repitió la construcción del modelo 10 veces.

Clasifiación binaria (glaucoma vs no glaucoma)

Todas las capas y celdas

Análisis discriminante

Medidas de evaluación de la capacidad predictiva del modelo de clasificación binario (sanos vs glaucomatosos) basado en análisis discriminate lineal usando todas las capas y celdas la mácula.
Metrica Media Error.std n
Precisión global 0.8767 0.0070 10
AUC 0.8463 0.0165 10
Sensibilidd 0.5453 0.0338 10
Especificiad 0.9585 0.0076 10

Regresión logística

Medidas de evaluación de la capacidad predictiva del modelo de clasificación binario (sanos vs glaucomatosos) basado en regresión logística usando todas las capas y celdas la mácula.
Metrica Media Error.std n
Precisión global 0.8497 0.0085 10
AUC 0.8210 0.0162 10
Sensibilidd 0.5506 0.0306 10
Especificiad 0.9236 0.0095 10

Capas significativas y todas las celdas

Analisis discriminante

Medidas de evaluación de la capacidad predictiva del modelo de clasificación binario (sanos vs glaucomatosos) basado en análisis discriminate lineal usando solo las capas con diferencias significativas entre sanos y glaucomatosos (RNFL, GCL e IPL) y todas las celdas la mácula.
Metrica Media Error.std n
Precisión global 0.8798 0.0069 10
AUC 0.8540 0.0160 10
Sensibilidd 0.5351 0.0242 10
Especificiad 0.9652 0.0061 10

Regresión logística

Medidas de evaluación de la capacidad predictiva del modelo de clasificación binario (sanos vs glaucomatosos) basado en regresión logística usando solo las capas con diferencias significativas entre sanos y glaucomatosos (RNFL, GCL e IPL) y todas las celdas la mácula.
Metrica Media Error.std n
Precisión global 0.8767 0.0079 10
AUC 0.8408 0.0166 10
Sensibilidd 0.5573 0.0321 10
Especificiad 0.9558 0.0069 10

Capas significativas y celdas significativas

Análisis discriminante

Medidas de evaluación de la capacidad predictiva del modelo de clasificación binario (sanos vs glaucomatosos) basado en análisis discriminate lineal usando solo las capas (RNFL, GCL e IPO) y las celdas con diferencias significativas entre sanos y glaucomatosos.
Metrica Media Error.std n
Precisión global 0.8809 0.0078 10
AUC 0.8416 0.0198 10
Sensibilidd 0.5298 0.0293 10
Especificiad 0.9678 0.0070 10

Regresión logística

Medidas de evaluación de la capacidad predictiva del modelo de clasificación binario (sanos vs glaucomatosos) basado en regresión logística usando solo las capas (RNFL, GCL e IPO) y las celdas con diferencias significativas entre sanos y glaucomatosos.
Metrica Media Error.std n
Precisión global 0.8756 0.0104 10
AUC 0.8334 0.0193 10
Sensibilidd 0.5570 0.0278 10
Especificiad 0.9545 0.0094 10

Capas significativas y celdas significativas con datos balanceados

Análisis discriminante

Medidas de evaluación de la capacidad predictiva del modelo de clasificación binario (sanos vs glaucomatosos) basado en análisis discriminate lineal usando solo las capas (RNFL, GCL e IPO) y las celdas con diferencias significativas entre sanos y glaucomatosos, y con el mismo número de ojos sanos que glaucomatosos.
Metrica Media Error.std n
Precisión global 0.7553 0.0295 10
AUC 0.8329 0.0279 10
Sensibilidd 0.6921 0.0355 10
Especificiad 0.8153 0.0317 10

Regresión logística

Medidas de evaluación de la capacidad predictiva del modelo de clasificación binario (sanos vs glaucomatosos) basado en regresión logística usando solo las capas (RNFL, GCL e IPO) y las celdas con diferencias significativas entre sanos y glaucomatosos, y con el mismo número de ojos sanos que glaucomatosos.
Metrica Media Error.std n
Precisión global 0.7520 0.0286 10
AUC 0.8344 0.0288 10
Sensibilidd 0.7342 0.0317 10
Especificiad 0.7689 0.0366 10

Clasificación en estadíos (incluyendo sanos)

Todas las capas y celdas

Análisis discriminante

Medidas de evaluación de la capacidad predictiva del modelo de clasificación en estadios de glaucoma (incluyendo ojos sanos) basado en análisis discriminate lineal usando todas las capas y celdas la mácula.
Sensibilidad Especificidad VPP VPN Precisión global
Class: Sano 0.8648 0.6216 0.9022 0.5324 0.7432
Class: I 0.1628 0.9471 0.1296 0.9590 0.5550
Class: II 0.2206 0.9132 0.1667 0.9371 0.5669
Class: III 0.3778 0.9729 0.4146 0.9686 0.6754
Class: IV 0.6897 0.9878 0.6452 0.9900 0.8387

Regresión logística

Medidas de evaluación de la capacidad predictiva del modelo de clasificación en estadios de glaucoma (incluyendo ojos sanos) basado en regresión logística usando todas las capas y celdas la mácula.
Sensibilidad Especificidad VPP VPN Precisión global
Class: Sano 0.7309 0.7243 0.9146 0.4000 0.7276
Class: I 0.1860 0.9156 0.0964 0.9588 0.5508
Class: II 0.3235 0.9016 0.2056 0.9442 0.6126
Class: III 0.3556 0.9324 0.2105 0.9661 0.6440
Class: IV 0.4828 0.9391 0.2029 0.9826 0.7109

Capas significativas y todas las celdas

Análisis discriminante

Medidas de evaluación de la capacidad predictiva del modelo de clasificación en estadios de glaucoma (incluyendo ojos sanos) basado en análisis discriminate lineal usando solo las capas de la mácula con diferencias significativas entre sanos y glaucomatosos (RNFL, GCL e IPL) y todas las celdas la mácula.
Sensibilidad Especificidad VPP VPN Precisión global
Class: Sano 0.9478 0.5946 0.9042 0.7383 0.7712
Class: I 0.1860 0.9764 0.2759 0.9612 0.5812
Class: II 0.2647 0.9595 0.3396 0.9431 0.6121
Class: III 0.5333 0.9820 0.6000 0.9765 0.7576
Class: IV 0.7241 0.9934 0.7778 0.9912 0.8587

Regresión logística

Medidas de evaluación de la capacidad predictiva del modelo de clasificación en estadios de glaucoma (incluyendo ojos sanos) basado en regresión logística usando solo las capas de la mácula con diferencias significativas entre sanos y glaucomatosos (RNFL, GCL e IPL) y todas las celdas la mácula.
Sensibilidad Especificidad VPP VPN Precisión global
Class: Sano 0.9317 0.5676 0.8969 0.6731 0.7496
Class: I 0.0930 0.9831 0.2105 0.9573 0.5381
Class: II 0.1471 0.9676 0.2632 0.9351 0.5573
Class: III 0.4444 0.9617 0.3704 0.9715 0.7031
Class: IV 0.5517 0.9679 0.3556 0.9853 0.7598

Capas significativas y celdas significativas

Análisis discriminante

Medidas de evaluación de la capacidad predictiva del modelo de clasificación en estadios de glaucoma (incluyendo ojos sanos) basado en análisis discriminate lineal usando solo las capas de la mácula (RNFL, GCL e IPL) y las celdas con diferencias significativas entre sanos y glaucomatosos.
Sensibilidad Especificidad VPP VPN Precisión global
Class: Sano 0.9424 0.6162 0.9084 0.7261 0.7793
Class: I 0.2326 0.9753 0.3125 0.9633 0.6039
Class: II 0.3088 0.9595 0.3750 0.9463 0.6342
Class: III 0.5333 0.9808 0.5854 0.9764 0.7571
Class: IV 0.7241 0.9922 0.7500 0.9912 0.8582

Regresión logística

Medidas de evaluación de la capacidad predictiva del modelo de clasificación en estadios de glaucoma (incluyendo ojos sanos) basado en regresión logística usando solo las capas de la mácula (RNFL, GCL e IPL) y las celdas con diferencias significativas entre sanos y glaucomatosos.
Sensibilidad Especificidad VPP VPN Precisión global
Class: Sano 0.9491 0.5459 0.8941 0.7266 0.7475
Class: I 0.0698 0.9876 0.2143 0.9564 0.5287
Class: II 0.1618 0.9803 0.3929 0.9369 0.5710
Class: III 0.6000 0.9707 0.5094 0.9795 0.7853
Class: IV 0.5862 0.9701 0.3864 0.9865 0.7782

Capas significativas y celdas significativas con datos balanceados

Análisis discriminante

Medidas de evaluación de la capacidad predictiva del modelo de clasificación en estadios de glaucoma (incluyendo ojos sanos) basado en análisis discriminate lineal usando solo las capas de la mácula (RNFL, GCL e IPL) y las celdas con diferencias significativas entre sanos y glaucomatosos, y con un número de ojos sanos similar al de los demás estadios.
Sensibilidad Especificidad VPP VPN Precisión global
Class: Sano 0.6769 0.7189 0.7174 0.6786 0.6979
Class: I 0.2791 0.9139 0.2927 0.9086 0.5965
Class: II 0.3382 0.8141 0.2840 0.8495 0.5762
Class: III 0.5111 0.9284 0.4894 0.9339 0.7197
Class: IV 0.6552 0.9772 0.7037 0.9717 0.8162

Regresión logística

Medidas de evaluación de la capacidad predictiva del modelo de clasificación en estadios de glaucoma (incluyendo ojos sanos) basado en regresión logística usando solo las capas de la mácula (RNFL, GCL e IPL) y las celdas con diferencias significativas entre sanos y glaucomatosos, y con un número de ojos sanos similar al de los demás estadios.
Sensibilidad Especificidad VPP VPN Precisión global
Class: Sano 0.7590 0.7297 0.7475 0.7418 0.7444
Class: I 0.2093 0.9139 0.2368 0.9006 0.5616
Class: II 0.2353 0.8622 0.2712 0.8380 0.5487
Class: III 0.5111 0.9015 0.4107 0.9321 0.7063
Class: IV 0.5172 0.9601 0.5172 0.9601 0.7387

Clasificación en estadíos (sin incluir sanos)

Todas las capas y celdas

Análisis discriminante

Medidas de evaluación de la capacidad predictiva del modelo de clasificación en estadios de glaucoma (sin incluir ojos sanos) basado en análisis discriminate lineal usando todas las capas y celdas la mácula.
Sensibilidad Especificidad VPP VPN Precisión global
Class: I 0.1860 0.7606 0.1905 0.7552 0.4733
Class: II 0.2353 0.7949 0.4000 0.6414 0.5151
Class: III 0.2222 0.6929 0.1887 0.7348 0.4575
Class: IV 0.3448 0.7436 0.2000 0.8593 0.5442

Regresión logística

Medidas de evaluación de la capacidad predictiva del modelo de clasificación en estadios de glaucoma (sin incluir ojos sanos) basado en regresión logística usando todas las capas y celdas la mácula.
Sensibilidad Especificidad VPP VPN Precisión global
Class: I 0.3721 0.8380 0.4103 0.8151 0.6051
Class: II 0.3529 0.6496 0.3692 0.6333 0.5013
Class: III 0.3778 0.7429 0.3208 0.7879 0.5603
Class: IV 0.4828 0.9103 0.5000 0.9045 0.6965

Capas significativas y todas las celdas

Análisis discriminante

Medidas de evaluación de la capacidad predictiva del modelo de clasificación en estadios de glaucoma (sin incluir ojos sanos) basado en análisis discriminate lineal usando solo las capas de la mácula con diferencias significativas entre sanos y glaucomatosos (RNFL, GCL e IPL) y todas las celdas.
Sensibilidad Especificidad VPP VPN Precisión global
Class: I 0.1860 0.7465 0.1818 0.7518 0.4663
Class: II 0.2941 0.7179 0.3774 0.6364 0.5060
Class: III 0.1556 0.7857 0.1892 0.7432 0.4706
Class: IV 0.2069 0.7115 0.1176 0.8284 0.4592

Regresión logística

Medidas de evaluación de la capacidad predictiva del modelo de clasificación en estadios de glaucoma (sin incluir ojos sanos) basado en regresión logística usando solo las capas de la mácula con diferencias significativas entre sanos y glaucomatosos (RNFL, GCL e IPL) y todas las celdas.
Sensibilidad Especificidad VPP VPN Precisión global
Class: I 0.5349 0.7817 0.4259 0.8473 0.6583
Class: II 0.3676 0.7350 0.4464 0.6667 0.5513
Class: III 0.4667 0.8357 0.4773 0.8298 0.6512
Class: IV 0.4828 0.8910 0.4516 0.9026 0.6869

Capas significativas y celdas significativas

Análisis discriminante

Medidas de evaluación de la capacidad predictiva del modelo de clasificación en estadios de glaucoma (sin incluir ojos sanos) basado en análisis discriminate lineal usando solo las capas (RNFL, GCL e IPL) y las celdas de la mácula con diferencias significativas entre sanos y glaucomatosos.
Sensibilidad Especificidad VPP VPN Precisión global
Class: I 0.1860 0.7113 0.1633 0.7426 0.4487
Class: II 0.2647 0.7009 0.3396 0.6212 0.4828
Class: III 0.2000 0.7643 0.2143 0.7483 0.4821
Class: IV 0.2414 0.7821 0.1707 0.8472 0.5117

Regresión logística

Sensibilidad Especificidad VPP VPN Precisión global
Class: I 0.5349 0.8592 0.5349 0.8592 0.6970
Class: II 0.4265 0.7179 0.4677 0.6829 0.5722
Class: III 0.4889 0.8429 0.5000 0.8369 0.6659
Class: IV 0.5862 0.8782 0.4722 0.9195 0.7322