Analysis of human visual field information using machine learning methods and assessment of their accuracy

Full Text

ВВЕДЕНИЕ

В офтальмологии является важным изучать поля зрения, так как их изменения могут указывать на наличие различных заболеваний, включая глаукому, миопию и другие неврологические расстройства [4]. С развитием технологий методы машинного обучения становятся все более актуальными для анализа и интерпретации этих данных. Говоря об искусственном интеллекте в медицине, важно учитывать и этические аспекты, чтобы не нарушать права пациентов [2].

В данной статье рассматривается применение методов машинного обучения для анализа полей зрения, оценка их точности и эффективности. Сосредоточимся на различных алгоритмах, таких как логистическая регрессия, случайный лес и других, а также проведем сравнительный анализ их производительности.

Целью исследования является не только выявление наиболее эффективных методов, но и понимание того, как эти технологии могут быть интегрированы в клиническую практику для улучшения диагностики и мониторинга заболеваний глаз.

В результате проведенного анализа важно заметить развитие методов диагностики и лечения заболеваний, связанных с изменениями в полях зрения, ведь потенциал машинного обучения особенно важен в области медицины. Повышая точность полученных данных, а также увеличивая количество испытуемых, стало возможным построение классификатора. Важно понимать, что всё это необходимо для улучшения жизнедеятельности пациентов и контроля течения заболевания.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

Одной из задач машинного обучения, применимых к данному исследованию, является бинарная классификация. Алгоритмы анализируют входные данные и выдают предсказания о принадлежности объекта к одному из двух классов.

Этапы разработки классификатора:

1. Сбор данных

Как говорилось в работе [3], был собран и размечен датасет для определения координат точек на снимках. В данной статье каждый снимок был разделён на 2 глаза (каждый глаз отдельно). Собранный набор изображений глаз был помечен как «глаукома» и «иные заболевания» (рисунок 1);

 

Рисунок 1. Пример снимка правого глаза (OD) пациента, больного глаукомой

 

2. Предобработка изображений

Так как качество изображений было удовлетворительным (изображения были сняты на камеру с бумажного носителя или экрана монитора), они могли быть изменены для уменьшения шума, нормализации яркости и контрастности.

3. Обучение модели

Данные были разделены на обучающую и тестовую выборки. Обучение происходило с использованием извлеченных признаков. Обозначение 1 – глаукома, 0 – иные заболевания.

4. Прописывание гиперпараметров модели для повышения точности.
5. Рассмотрение и оценка точности модели.

Рассмотрим ключевые метрики оценки качества бинарной классификации, а именно precision, recall, F1-score и support. Эти показатели играют важную роль в анализе производительности классификаторов, особенно в задачах, где классы имеют неравномерное распределение.

Precision (точность) измеряет долю правильно предсказанных примеров глаукомы среди всех предсказанных положительных, что позволяет оценить, насколько классификатор надежен в своих положительных предсказаниях диагноза.

Recall (полнота) отражает долю правильно диагностированных снимков среди всех фактических положительных, что важно для понимания способности модели выявлять все положительные случаи.

F1-score представляет собой гармоническое среднее между precision и recall, обеспечивая сбалансированную оценку, особенно в ситуациях, когда необходимо учитывать как ложные срабатывания, так и пропуски.

Support указывает на количество фактических примеров каждого класса в тестовом наборе данных, что помогает интерпретировать другие метрики в контексте распределения классов [1].

В таблице 1 рассматривается применение метода логистической регрессии в рамках обучения модели на ранее описанном датасете. Определим взаимосвязь между независимыми переменными (признаками) и зависимой переменной (целевой переменной) с помощью логистической функции.

 

Таблица 1. Обучение модели методом логистической регрессии

Признак	Precision	Recall	F1-score	Support
0	0,69	0,69	0,69	13
1	0,75	0,75	0,75	16
Accuracy	0,72			29

 

В результате этого accuracy (доля правильно классифицированных снимков (как с диагнозом «глаукома», так и иных заболеваний) к общему числу экземпляров) составляет 0,72, при этом support составляет 29. Случайный лес показал более низкий результат на то же количество support, а именно 0,69. Стохастический градиентный спуск и случайный лес составляют 0,69 (см. таблицы 3, 4, а самый худший результат показал наивный байес – 0,45 (см. таблицу 2), хотя преимущество наивного байеса заключается в его простоте и скорости обучения, что делает его эффективным для больших наборов данных. Его предположение о независимости признаков может ограничивать точность в нашей задаче.

 

Таблица 2. Обучение модели – наивный байес

Признак	Precision	Recall	F1-score	Support
0	0,20	0,08	0,11	13
1	0,50	0,75	0,60	16
Accuracy	0,45			29

 

Таблица 3. Обучение модели – случайный лес

Признак	Precision	Recall	F1-score	Support
0	0,61	0,85	0,71	13
1	0,82	0,56	0,67	16
Accuracy	0,69			29

 

Таблица 4. Обучение модели – стохастический градиентный спуск SVM (SGD)

Признак	Precision	Recall	F1-score	Support
0	0,67	0,62	0,64	13
1	0,71	0,75	0,73	16
Accuracy	0,69			29

 

ЗАКЛЮЧЕНИЕ И ВЫВОДЫ

В результате данного исследования было рассмотрено несколько методов обучения модели. Лучше всего себя показала логистическая регрессия с точностью 0,72, из чего можно сделать вывод, что для задачи классификации снимков этот метод наиболее предпочтителен. Логистическая регрессия и бинарная классификация являются важными инструментами для решения задач по определению диагнозов в нашей работе.

Это простая модель, которая легко интерпретируется. Она позволяет понять, как изменения в независимых переменных влияют на вероятность наступления события, также это идеально подходит для задач бинарной классификации, где необходимо предсказать одно из двух возможных состояний (глаукома или иные заболевания).

В дальнейшем планируется построить матрицы ошибок и ROC-кривые AUC для детального рассмотрения качества классификации. Несомненно, возможно исследовать обучение данного датасета на сверточных нейронных сетях, а также его расширение и изучение группы паталогически здоровых пациентов.

About the authors

Anastasia I. Medvedeva

Plekhanov Russian university of economics

Email: Medvedeva.AI@rea.ru
ORCID iD: 0009-0008-7583-7565

Researcher at the Educational and Scientific Laboratory
of Artificial Intelligence, Neurotechnology and Business Intelligence

Russian Federation, Moscow

Valery V. Bakutkin

LLC "MACAO IT"

Author for correspondence.
Email: bakutv@bk.ru

Doctor of Medical Sciences, Professor, General Director

Russian Federation, Saratov

References

Supplementary files