Screening test para la identificación del queratocono
| dc.contributor.advisor | Arias Parada, Luis Emiliano | es |
| dc.contributor.author | Rebolledo Wegner, Felipe Edgardo | es |
| dc.date.accessioned | 2020-03-06T15:56:16Z | |
| dc.date.accessioned | 2024-08-28T20:10:28Z | |
| dc.date.available | 2020-03-06T15:56:16Z | |
| dc.date.available | 2024-08-28T20:10:28Z | |
| dc.date.issued | 2018 | |
| dc.description | Tesis presentada para optar al grado de Magíster en Ciencias de la Ingeniería con mención en Ingeniería Eléctrica. | es |
| dc.description.abstract | El queratocono es una enfermedad degenerativa de la córnea de difícil diagnóstico en primeras instancias, la cual genera una pérdida sustancial de agudeza visual. Los estudios se han enfocado en la inclusión de algoritmos de Machine Learning para incrementar la detección de la enfermedad, logrando excelentes resultados al ser implementado con datos de pacientes que se someten a exámenes especializados de vanguardia como la topografía corneal Pentacam o equivalentes. No obstante, la detección del queratocono sigue siendo engorrosa para aquellos individuos que por distintos motivos no se han estudiado con estos equipos oftalmológicos avanzados. Es por esto que el propósito del presente trabajo es ayudar a la detección de la patología en lugares donde los equipos de imágenes corneales no son de fácil acceso, desarrollando un screening test. Para esto, se adquieren mediciones de 123 ojos (42 queratoconos y 81 muestras de control), compuestas de 23 características provenientes de los siguientes equipos oftalmológicos: autorefractómetro, queratómetro, paquímetro y topógrafo corneal. Se propone la utilización de las 7 características más simples y disponibles para entrenar un algoritmo de clasificación supervisada de tipo Support Vector Machine. El modelo propuesto consistirá en la afinación del algoritmo que logre los mejores resultados en términos de sensibilidad, especificidad y precisión. Esta afinación corresponde a la selección de un kernel apropiado y a la selección de valores de penalización ‘C’ y ‘cw’. Luego, se evalúa la funcionalidad como screening test del modelo propuesto al comparar rendimientos con un modelo SVM de referencia que utiliza las 23 características adquiridas, incluyendo las características topográficas. El mejor resultado para el modelo propuesto de 7 características fue logrado con un kernel lineal, ‘C’ = 10 y ‘cw’ = 1.9; alcanzando una sensibilidad de 0.9, especificidad de 0.96 y precisión de 0.93. Comparando rendimientos con el modelo de referencia, el modelo propuesto difiere en solo un 5% en sensibilidad, 3% en especificidad y 5% en precisión. Los resultados validan la utilización del modelo propuesto como screening test, cumpliendo el objetivo propuesto. El trabajo futuro incluye validar el modelo con un número mayor de muestras, realizar clasificación multiclase para las distintas categorías de queratocono y combinar el modelo con variables categóricas de tamizaje. | es |
| dc.description.campus | Concepción | es |
| dc.description.departamento | Departamento de Ingeniería Eléctrica | es |
| dc.description.facultad | Facultad de Ingeniería | es |
| dc.identifier.uri | https://repositorio.udec.cl/handle/11594/391 | |
| dc.language.iso | es | es |
| dc.publisher | Universidad de Concepción | es |
| dc.rights | CC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 International | en |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Queratocono | es |
| dc.subject | Topografía de la Córnea | es |
| dc.subject | Topografía Médica | es |
| dc.subject | Aprendizaje de Máquina | es |
| dc.subject | Algoritmos Computacionales | es |
| dc.subject | Aprendizaje Supervisado (Aprendizaje de Máquina) | es |
| dc.title | Screening test para la identificación del queratocono | es |
| dc.type | Tesis | es |