Estudo da aplicação de deep learning como auxílio ao diagnóstico de glaucoma

Atualmente, aproximadamente 80 milhões de pessoas possuem glaucoma em todo o mundo. Estima-se que metade dos portadores da doença não saibam de sua condição. Sabe-se que nos países de renda baixa e/ou média, mais de 90% das pessoas com glaucoma ainda não foram diagnosticadas. Dentre os diagnosticados, 35% já estão cegos. São necessárias, portanto, abordagens de triagem acessíveis e eficazes para permitir a identificação de indivíduos em risco de perda de visão. O uso generalizado de triagem usando imagens de fundo de olho, com classificação assistida por inteli gência artificial, pode permitir que o glaucoma seja diagnosticado juntamente com as outras principais causas de cegueira a baixo custo. Estudos de implementação são necessários para determinar como e onde aplicar essas novas ferramentas. Muitas questões importantes de pesquisa permanecem sem solução e exigem investimen tos substanciais e um esforço global concentrado para serem respondidas. Indo de encontro a atual necessidade, e a fim de facilitar o atendimento em áreas com aceso restrito a serviços médicos, a presente pesquisa se propõe a avaliar a aplicação de métodos de deep learning no auxílio ao diagnóstico glaucoma. Para isso, aplicou-se quatro arquiteturas de CNN existentes (InceptionV3, SqueezeNet, VGG16 e VGG19) à aproximadamente 1550 exames de fundo de olho, avaliando-se diferentes tratamentos de imagem. Observou-se, no cenário que melhor performou, uma acurácia de 0,71014, precisão de 0,71019, recall de 0,71014 e F1 score de 0,71012. Como próximos passos, planeja-se vincular os resultados obtidos com o treinamento à outros dados médicos, bem como outros exames de imagem a fim de obter-se melhores resultados.