Development and comparison of machine learning methods for subjective refraction prediction

Abstract

De acordo com a estimativa apresentada no estudo realizado pelo Global Burden of Disease (Carga Global de Doença, em tradução livre), de 2016, erros de refração e deficiências no processo de acomodação visual afetam um total de 886 milhões de pessoas (43% de todas as deficiências relacionadas a orgãos sensoriais). A fim de tratar este problema, oftalmologistas prescrevem lentes corretivas, capazes de corrigir os diversos tipos de erros refrativos: Miopia, Hypermetropia, Astigmatismo, e Presbiopia. Para a prescrição das lentes, é necessário determinar o erro refrativo dos pacientes. Este processo é realizado em duas fases: uma estimativa inicial (chamada Refração Objetiva), e um ajuste-fino (chamado Refração Subjetiva). Este trabalho, busca aprimorar a qualidade da refração estimada, reduzindo o tempo necessário para a realização da etapa de ajustefino. Este trabalho propõe então a utilização de machine learning para a predição da refração mais adequada (i.e. Refração Subjetiva) de cada olho, considerando não apenas a estimativa inicial (i.e. Refração Objetiva), como também outras características do paciente, como idade, sexo, e sintomas apresentados. Um conjunto de dados coletados pelo grupo de telemedicina TelessaúdeRS-UFRGS, durante um período de 13 meses, foi utilizado. Dentre as três técnicas investigadas (Regressão Linear, Máquinas de Vetores de Suporte, e Redes Neurais), a melhor performance geral apresentada foi produzida pelo modelo preditivo baseado em redes neurais (0.406 dioptrias), reduzindo em até 70% o erro inicial produzido pelo equipamento Autorrefrator (de 1.381 dioptrias).

According to the estimate in the Global Burden of Disease study of 2016, visual impairments such as refractive errors and deficiencies in the visual accommodation process affect a total of 886 million people (43% of all sensory organ deficiencies). To address this problem, clinicians prescribe corrective lenses, capable of correcting the many types of refractive errors: Myopia, Hypermetropia, Astigmatism, and Presbyopia. In order to prescribe the lenses, clinicians must first determine the patient’s refractive error. This process is performed in two steps: an initial estimate called Objective Refraction, and a fine-tuning step called Subjective Refraction. The current work seeks to improve the quality of the estimated refraction, reducing the time required to perform the fine-tuning step. In order to reduce the time necessary for this process, this work proposes the use of machine learning for predicting the most adequate refractive power (i.e. the Subjective Refraction) of each eye, considering not only the subject’s Objective Refraction information but also other characteristics such as the age, sex, and presented symptoms. A data set containing information of over 3600 patients, collected by the telemedicine group TelessaúdeRS-UFRGS during a period of 13 months, was used. Among the three techniques investigated (Linear Regression, Support Vector Regression, and Neural Networks), the best overall performance was presented by the predictive model based on neural networks (0.406 diopters), reducing by 70% the initial error produced by the Autorefractor (1.381 diopters).