An Analysis Model for Machine Learning Using Support Vector Machine for the Prediction of Diabetic Retinopathy

La retinopatía diabética es una enfermedad de salud pública en todo el mundo, que muestra que alrededor del uno por ciento de la población padece esta enfermedad. Asimismo, otro uno por ciento de los pacientes de la población padece esta enfermedad, pero no está diagnosticada. Se calcula que, dentro de tres años, millones de personas padecerán esta enfermedad. Esto aumentará el porcentaje de complicaciones vasculares, oftalmológicas y neurológicas, que se traducirán en muertes prematuras y en el deterioro de la calidad de vida de los pacientes. Por ello, nos enfrentamos a un gran reto, que es predecir y detectar los signos de la retinopatía diabética en una fase temprana. Por ello, este trabajo presenta un modelo de Machine Learning enfocado a la optimización de un método de clasificación mediante máquinas de vectores soporte para la predicción temprana de la Retinopatía Diabética. La optimización de la máquina de vectores de soporte consiste en el ajuste de parámetros como: penalización del margen de separación entre vectores de soporte, kernel de separación, entre otros. Este método ha sido entrenado utilizando un conjunto de datos de imágenes llamado Messidor. De esta manera, se realiza la extracción y preprocesamiento de los datos para realizar un análisis descriptivo y obtener las variables más relevantes a través del aprendizaje supervisado. En este sentido, podemos ver que las variables más destacadas para el riesgo de retinopatía diabética son la diabetes tipo 1 y la diabetes tipo 2. Para la evaluación del método propuesto hemos utilizado medidas de calidad como: MAE, MSE, RSME, pero las más importantes son Accuracy, Precision, Recall y F1 para la optimización de los problemas de clasificación. Por lo tanto, para demostrar la eficacia y efectividad del método propuesto, hemos utilizado una base de datos pública, que nos ha permitido predecir con precisión los signos de la retinopatía diabética. Nuestro método se ha comparado con otros métodos relevantes en problemas de clasificación, como las redes neuronales y los algoritmos genéticos. La máquina de vectores soporte ha demostrado ser la mejor por su precisión. En el estado del arte se presentan los trabajos relacionados con la Retinopatía Diabética, así como los trabajos destacados en cuanto a Aprendizaje Automático y especialmente los trabajos más destacados en Máquinas de Vectores Soporte. Hemos descrito los principales parámetros del método y también el proceso general del algoritmo con la descripción de cada paso del modelo de análisis. Hemos incluido los valores de los hiperparámetros experimentados en los métodos comparados. De este modo, presentamos los mejores valores de los parámetros que han generado los mejores resultados. Finalmente, se presentan los resultados más relevantes y el análisis correspondiente, donde se evidenciarán los resultados de la comparación realizada con los métodos de Redes Neuronales, SVM y Algoritmo Genético. Este estudio da paso a futuras investigacion.