Automation of ophthalmic diagnosis: glaucoma as a case study

Abstract

With ocular diseases increasing at an alarming rate due to population aging, it is relevant to explore new technologies to meet patients' needs. As we witness the exponential evolution of the huge field that is Artificial Intelligence (AI), new methodologies and cognitive models have been developed for sustainability and optimization in several sectors of our society, namely in healthcare data analysis. By incorporating intelligent systems in clinical diagnostics, it is possible to achieve a high degree of information integration, data processing, and a theoretical improvement in the speed of diagnosis. With the presented project we had the goal of training and testing supervised models with ophthalmic data, to predict and diagnose eye diseases, such as Glaucoma. To this effect, it was carried out a Machine Learning (ML) project following a typical ML methodology. The methodology is composed of stages such as Business Understanding, Data Acquisition and Transformation, Modeling and Deployment. The document is structured according to these stages and in each of them is presented all the work that was done. The main objective of this research was to test several features and algorithms (LGBM, Random Forest, KNN, SVM and Logistic Regression) to see which set would yield the best results. For that, activities like data collection and transformation, model training and testing, and evaluation of the final outcomes were performed. Random Forest was the best ranked algorithm according to the chosen metric, F1 Score. LGBM was also considered due to its good results in Recall, one of the most important metrics in the healthcare area. This dissertation was carried out during an academic internship at Altice Labs, which provided all the necessary material, from access to technological tools and data. In turn, Altice Labs is working with the Centro Cirúrgico de Coimbra (CCC) that provided the necessary data for the study of automation of ophthalmologic diagnosis.

Com o número de doenças oftalmológicas a aumentar a um ritmo alarmante devido ao envelhecimento da população, é importante explorar novas tecnologias com o objetivo de satisfazer as necessidades dos pacientes. Com a evolução exponencial da Inteligência Artificial, novas metodologias e modelos cognitivos têm sido desenvolvidos de forma a otimizar vários setores na nossa sociedade, entre eles a análise de dados no ramo da saúde. Ao incorporar sistemas inteligentes nos diagnósticos clínicos, é possível atingir um alto nível de integração da informação, processamento de dados e uma melhoria teórica na rapidez do diagnóstico. O objetivo do projeto apresentado é treinar e testar modelos supervisionados com dados oftalmológicos, de modo a prever e diagnosticar doenças oculares como o Glaucoma. Para esse efeito, foi realizado um projeto de Machine Learning, seguindo uma metodologia típica. A metodologia é composta por fases como Business Understanding, Data Acquisition and Transformation, Modeling e Deployment. O documento está estruturado de acordo com essas fases e em cada uma delas será apresentado todo o trabalho realizado. O principal objetivo desta investigação foi testar vários conjuntos de características e algoritmos (LGBM, Random Forest, KNN, SVM e Logistic Regression) para ver quais produziriam os melhores resultados. Para isso, foram realizadas atividades como a recolha e transformação de dados, treino e teste de modelos e avaliação dos resultados. Random Forest foi o algoritmo mais bem classificado de acordo com a métrica escolhida, F1 Score. LGBM foi também considerado devido aos seus bons resultados em Recall, uma das métricas mais importantes na área da saúde. Esta dissertação foi realizada no contexto de um estágio curricular na Altice Labs, que forneceu todo o material necessário, desde acesso às ferramentas tecnológicas e dados. Por sua vez, a Altice Labs está a trabalhar com o Centro Cirúrgico de Coimbra que forneceu os dados necessários para o estudo da automação de diagnósticos oftalmológicos.