INTRODUÇÃO: O ceratocone é uma doença não inflamatória, sem etiologia definida, caracterizada pelo afilamento estromal e protrusão da córnea. Geralmente esta doença torna-se clinicamente evidente na adolescência. Apesar de possuir sinais clínicos bem conhecidos, a detecção do ceratocone em estádios iniciais pode representar uma tarefa de difícil execução, mesmo quando a videoceratografia computadorizada ou outros métodos são utilizados para avaliar a córnea. Anteriormente, diagnosticar o ceratocone apenas após a identificação de sinais clínicos inequívocos era uma conduta aceitável. Com o advento da cirurgia refrativa porém, a identificação precoce do ceratocone tornou-se um procedimento de vital importância para evitar complicações pós-operatórias. O objetivo principal deste estudo é avaliar o uso de máquinas de vetor de suporte e redes neurais artificiais como métodos auxiliares para identificação de ceratocone e suspeita de ceratocone em exames realizados com o Orbscan II. MÉTODOS: Foram avaliados retrospectivamente dados de 344 pacientes. Os exames selecionados foram classificados em 6 categorias: normal (n=172), astigmatismo (n=89), ceratocone (n=46), ceratocone forma frustra (n=10), suspeita de ceratocone (n=16) e cirurgia refrativa (n=11). Para cada paciente 10 atributos foram obtidos ou calculados a partir de dados fornecidos pelo Orbscan II. O método do holdout e da validação cruzada foram utilizados para encontrar a melhor configuração, treinar e testar os classificadores. Além da acurácia, sensibilidade e especificidade, curvas ROC foram obtidas para cada classificador, e as áreas sob as curvas ROC foram calculadas. RESULTADOS: Os dois classificadores selecionados alcançaram um bom desempenho, com áreas sob as curvas ROC de 0,99. Não houve diferença estatística entre as suas performances. O desempenho dos classificadores foi superior ao desempenho de todos os atributos individuais do Orbscan II. (p<0,05). CONCLUSÃO: Os resultados alcançados sugerem que xi x máquinas de vetor de suporte e redes neurais artificiais podem representar técnicas úteis para a detecção de ceratocone em exames realizados com o Orbscan II.

PURPOSE: Keratoconus is a bilateral and non-inflammatory condition characterized by progressive thinning, protrusion and scarring of the córnea. The disease usually becomes clinically evident at puberty, and its etiology remains unknown. Although it has well-described clinical signs, early forms of the disease may be undetected, even when computer-assisted videokeratography techniques or other methods are used to evaluate the cornea. Prior to the development of refractive surgery, it was considered sufficient to diagnose clinically evident keratoconus. However, given the spread of refractive surgery, a careful differentiation between normal and early keratoconus cases is essential to avoid postoperative complications. This study evaluated the performance of support vector machine and multilayer perceptron neural network, as auxiliary tools to identify keratoconus from Orbscan II maps. METHODS: A total of 344 maps were retrospectively selected and classified into six categories: normal (n=172), astigmatism (n=89), keratoconus (n=46), forme fruste keratoconus (n=10), keratoconus suspect (n=16), and photorefractive keratectomy (n=11). For each map 10 attributes were obtained or calculated from data provided by the Orbscan II. Holdout method and ten-fold cross-validation was used to train and test the classifiers. Besides accuracy, sensitivity and specificity, ROC curves for each classifier were generated and the areas under the curves were calculated. RESULTS: The two selected classifiers provided a good performance and there were no differences between their performances. The area under the ROC curve of the support vector machine and multi-layer perceptron were significantly larger than those for all individual Orbscan II attributes evaluated (p<0.05). CONCLUSION: Overall, our results suggest that support vector machine and multi-layer perceptron classifiers, trained on Orbscan II data, could represent useful techniques for keratoconus detection