OBJETIVO: Avaliar a sensibilidade e especificidade dos classificadores de aprendizagem de máquina no diagnóstico de glaucoma usando Spectral Domain OCT (SD-OCT) e perimetria automatizada acromática (PAA). MÉTODOS: Estudo transversal observacional. Sessenta e dois pacientes com glaucoma e 48 indivíduos normais foram incluídos. Todos os pacientes foram submetidos a exame oftalmológico completo, e perimetria automatizada acromática (24-2 SITA; Humphrey Field Analyzer II, Carl Zeiss Meditec, Inc., Dublin, CA) e exame de imagem da camada de fibras nervosas utilizando SD-OCT (Cirrus HD-OCT; Carl Zeiss Meditec Inc., Dublin, California). Curvas ROC (Receiver operator characteristic) foram obtidas para todos os parâmetros do SD-OCT e índices globais do campo visual (MD, PSD, GHT). Subsequentemente, os seguintes classificadores de aprendizagem de máquina (CAMs) foram testados usando parâmetros do OCT e CV: Bagging (BAG), Naive-Bayes (NB), Multilayer Perceptron (MLP), Radial Basis Function (RBF), Random Forest (RAN), Ensemble Selection (ENS), Classification Tree (CTREE), Ada Boost M1(ADA), Support Vector Machine Linear (SVML) e Support Vector Machine Gaussian (SVMG). Áreas abaixo da curva ROC (aROC) obtidas com os parâmetros isolados do campo visual (CV) e OCT foram comparados com os CAMs usando dados associados do OCT e CV. RESULTADOS: Combinando os dados do OCT e do CV, aROCs dos CAMs variaram entre 0,777(CTREE) e 0,946 (RAN). A maior aROC dos CAMs OCT+CV obtida com RAN (0,946) foi significativamente maior que o melhor parâmetro do OCT (p<0,05), mas não houve diferença estatística significativa com o melhor parâmetro do CV (p=0,19). CONCLUSÃO: Os classificadores de aprendizagem de máquina treinados com dados do OCT e CV podem discriminar entre olhos normais e glaucomatosos com sucesso. A combinação das medidas do OCT e CV melhoraram a acurácia diagnóstica comparados aos parâmetros do OCT.

PURPOSE: To evaluate the sensitivity and specificity of machine learning classifiers (MLCs) for glaucoma diagnosis using Spectral Domain OCT (SD-OCT) and standard automated perimetry (SAP). METHODS: Observational cross-sectional study. Sixty two glaucoma patients and 48 healthy individuals were included. All patients underwent a complete ophthalmologic examination, achromatic standard automated perimetry (SAP) and retinal nerve fiber layer (RNFL) imaging with SD-OCT (Cirrus HD-OCT; Carl Zeiss Meditec Inc., Dublin, California). Receiver operating characteristic (ROC) curves were obtained for all SD-OCT parameters and global indices of SAP. Subsequently, the following MLCs were tested using parameters from the SD-OCT and SAP: Bagging (BAG), Naive-Bayes (NB), Multilayer Perceptron (MLP), Radial Basis Function (RBF), Random Forest (RAN), Ensemble Selection (ENS), Classification Tree (CTREE), Ada Boost M1(ADA),Support Vector Machine Linear (SVML) and Support Vector Machine Gaussian (SVMG). Areas under the receiver operating characteristic curves (aROC) obtained for isolated SAP and OCT parameters were compared with MLCs using OCT+SAP data. RESULTS: Combining OCT and SAP data, MLCs' aROCs varied from 0.777(CTREE) to 0.946 (RAN).The best OCT+SAP aROC obtained with RAN (0.946) was significantly larger the best single OCT parameter (p<0.05), but was not significantly different from the aROC obtained with the best single SAP parameter (p=0.19). CONCLUSION: Machine learning classifiers trained on OCT and SAP data can successfully discriminate between healthy and glaucomatous eyes. The combination of OCT and SAP measurements improved the diagnostic accuracy compared with OCT data alone.