Machine-learning and artificial neural network technologies in the classification of postkeratotomic corneal deformity

Capa

Citar

Texto integral

Resumo

BACKGROUND: A thorough analysis of both optical and anatomical properties of the cornea in patients after anterior radial keratotomy is important in choosing the optical power of an intraocular lens in the surgical treatment of cataracts and other types of optical correction. Improving the classification of postkeratotomic corneal deformity is crucial in modern ophthalmology due to its diverse clinical presentation.

AIM: To develop an automated classification system for postkeratotomic corneal deformity using machine learning and artificial neural networks based on the analysis of topographic maps of the cornea.

MATERIALS AND METHODS: Depersonalized data from medical records of 250 patients aged 46–76 (mean, 59.63±5.95) years were analyzed. Moreover, 500 topographic maps of the anterior and posterior surfaces of the cornea were analyzed, and three stages of machine learning for postkeratotomic corneal deformity classification were performed.

RESULTS: Stage I, which involved topography analysis of the anterior and posterior surfaces of the cornea, allowed for the measurement of anterior and posterior corneal elevation in three ring-shaped zones. At stage II, a direct distribution neural network was selected and created during deep machine learning. Eight auxiliary parameters describing the shape of the anterior and posterior surfaces of the cornea were established. In Stage III, classification algorithms for postkeratotomic corneal deformity were developed based on the test-to-training sample ratio, which ranged from 75% to 91%.

CONCLUSION: The proposed artificial neural network classifies postkeratotomic corneal deformity types with an accuracy of 91%. The potential for further improving the training quality of this artificial neural network has been established. Neural network algorithms can become a useful tool for the automatic classification of postkeratotomic corneal deformity in patients after radial keratotomy.

Sobre autores

Ekaterina Tsyrenzhapova

The S. Fyodorov Eye Microsurgery Federal State Institution

Email: katyakel@mail.ru
ORCID ID: 0000-0002-6804-8268
Código SPIN: 1158-5233

MD

Rússia, Irkutsk

Olga Rozanova

The S. Fyodorov Eye Microsurgery Federal State Institution

Email: olgrozanova@gmail.com
ORCID ID: 0000-0003-3139-2409
Código SPIN: 6557-9123

MD, Dr. Sci. (Medicine)

Rússia, Irkutsk

Tatiana Iureva

The S. Fyodorov Eye Microsurgery Federal State Institution; Irkutsk State Medical University; Russian Medical Academy of Continuous Professional Education

Email: tnyurieva@mail.ru
ORCID ID: 0000-0003-0547-7521
Código SPIN: 8457-5851

MD, Dr. Sci. (Medicine), Professor

Rússia, Irkutsk; Irkutsk; Irkutsk

Andrey Ivanov

The S. Fyodorov Eye Microsurgery Federal State Institution

Email: ivanov.andrei.med@yandex.ru
ORCID ID: 0009-0001-4235-9252

MD

Rússia, Irkutsk

Ivan Rozanov

LLC Transneft Technology

Autor responsável pela correspondência
Email: nauka@mntk.irkutsk.ru
ORCID ID: 0009-0001-7202-0428
Rússia, Irkutsk

Bibliografia

  1. Issarti I, Consejo A, Jiménez-García M, et al. Computer aided diagnosis for suspect keratoconus detection. Comput Biol Med. 2019;109:33–42. doi: 10.1016/j.compbiomed.2019.04.024
  2. Chen X, Zhao J, Iselin KC, et al. Keratoconus detection of changes using deep learning of colour-coded maps. BMJ Open Ophthalmol. 2021;6(1):e000824. doi: 10.1136/bmjophth-2021-000824
  3. Feng R, Xu Z, Zheng X, et al. KerNet: A novel deep learning approach for keratoconus and sub-clinical keratoconus detection based on raw data of the pentacam HR system. IEEE J Biomed Health Inform. 2021;25(10):3898–3910. doi: 10.1109/JBHI.2021.3079430
  4. Gatinel D. Screening for subclinical keratoconus and prevention of corneal ectasia with SCORE analyzer software. In: Febbraro J-L, Khan HN, Koch DD, editors. Surgical correction of astigmatism. Cham: Springer International Publishing; 2018. doi: 10.1007/978-3-319-56565-1_9
  5. Ruiz Hidalgo I, Rozema JJ, Saad A, et al. Validation of an objective keratoconus detection system implemented in a scheimpflug tomographer and comparison with other methods. Cornea. 2017;36(6):689–695. doi: 10.1097/ICO.0000000000001194
  6. Malyugin BE, Sakhnov SN, Axenova LE, Myasnikova VV. Application of artificial intelligence in diagnostics and surgery of keratoconus: a systematic overview. Fyodorov Journal of Ophthalmic Surgery. 2022;(1):77–96. EDN: PPQRWZ doi: 10.25276/0235-4160-2022-1-77-96
  7. Abdelmotaal H, Mostafa MM, Mostafa ANR, et al. Classification of Color-Coded Scheimpflug Camera Corneal Tomography Images Using Deep Learning. Transl Vis Sci Technol. 2020;9(13):30. doi: 10.1167/tvst.9.13.30
  8. Dos Santos VA, Schmetterer L, Stegmann H, et al. CorneaNet: fast segmentation of cornea OCT scans of healthy and keratoconic eyes using deep learning. Biomed Opt Express. 2019;10(2):622–641. doi: 10.1364/BOE.10.000622
  9. Kuo BI, Chang WY, Liao TS, et al. Keratoconus Screening Based on Deep Learning Approach of Corneal Topography. Transl Vis Sci Technol. 2020;9(2):53. doi: 10.1167/tvst.9.2.53
  10. Shi C, Wang M, Zhu T, et al. Machine learning helps improve diagnostic ability of subclinical keratoconus using Scheimpflug and OCT imaging modalities. Eye Vis (Lond). 2020;7:48. doi: 10.1186/s40662-020-00213-3
  11. Shukhaev SV, Mordovtseva EA, Pustozerov EA, Kudlakhmedov SS Application of convolutional neural networks to define Fuchs endothelial dystrophy. Fyodorov Journal of Ophthalmic Surgery. 2022;(S4):70–76. EDN: WEZTKV doi: 10.25276/0235-4160-2022-4S-70-76
  12. Obaid HS, Dheyab SA, Sabry SS. The impact of data pre-processing techniques and dimensionality reduction on the accuracy of machine learning. 2019 9th Annu. Inf. Technol. Electromechanical Eng. Microelectron. Conf. IEMECON. 2019:279–283. doi: 10.1109/IEMECONX.2019.8877011
  13. Valdés-Mas MA, Martín-Guerrero JD, Rupérez MJ, et al. A new approach based on Machine Learning for predicting corneal curvature (K1) and astigmatism in patients with keratoconus after intracorneal ring implantation. Comput Methods Programs Biomed. 2014;116:39–47. doi: 10.1016/j.cmpb.2014.04.003
  14. Patent RUS № RU 2793142 C1/ 29.03.2023. Rozanova OI, Tsyrenzhapova EK, Iureva TN, et al. A method of evaluating the relief of the anterior and posterior corneal surface. (In Russ).
  15. Arbelaez MC, Versaci F, Vestri G, et al. Use of a Support Vector Machine for Keratoconus and Subclinical Keratoconus Detection by Topographic and Tomographic Data. Ophthalmology. 2012;119(11):2231–2238. doi: 10.1016/j.ophtha.2012.06.005
  16. Ruiz Hidalgo I, Rodriguez P, Rozema JJ, et al. Evaluation of a Machine-Learning Classifier for Keratoconus Detection Based on Scheimpflug Tomography. Cornea. 2016;35(6):827–832. doi: 10.1097/ico.0000000000000834

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar
2. Table 1

Baixar (30KB)
Metadados
3. Table 1-2

Baixar (30KB)
Metadados
4. Table 2

Baixar (30KB)
Metadados
5. Table 2-2

Baixar (28KB)
Metadados
6. Table 3

Baixar (30KB)
Metadados
7. Table 3-2

Baixar (30KB)
Metadados
8. Table 4

Baixar (30KB)
Metadados
9. Table 4-2

Baixar (31KB)
Metadados
10. Table 5

Baixar (33KB)
Metadados
11. Table 5-2

Baixar (35KB)
Metadados
12. Table 6

Baixar (27KB)
Metadados
13. Table 6-1

Baixar (32KB)
Metadados
14. Table 6-2

Baixar (31KB)
Metadados
15. Fig. 1. Corneal surface reference points: a — central area; b — paracentral area; c — 6 mm peripheral area.

Baixar (280KB)
Metadados
16. Fig. 2. Dataset processing scheme.

Baixar (194KB)
Metadados
17. Fig. 3. Diagram of the final-iteration artificial neural network.

Baixar (109KB)
Metadados
18. Fig. 4. Interface of the console application for working with the neural network (both the incorrect answer of the neural network and its correction are marked red).

Baixar (219KB)
Metadados
19. Fig. 5. Training performance vs. number of epochs: a, before dataset optimization; b, after dataset optimization.

Baixar (139KB)
Metadados
20. Fig. 6. Gradual neural network training and further model test at reference points.

Baixar (328KB)
Metadados
21. Fig. 7. Distribution of errors in PKCD type identification.

Baixar (92KB)
Metadados

Declaração de direitos autorais © Eco-Vector, 2024

Creative Commons License
Este artigo é disponível sob a Licença Creative Commons Atribuição–NãoComercial–SemDerivações 4.0 Internacional.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».