Neuronale Netzwerkmodelle wurden unter Verwendung von NeuroSolutions bestimmt. Zwei Datensätze, 1 und 2, wurden für verschiedene Aufgaben formuliert und gelöst. Fallstudie 1 befasste sich mit der Modellierung der Abhängigkeit zwischen funktionalem und strukturellem Glaukomschaden und gemeinsamen Risikofaktoren. Verschiedene Netzwerkmethoden wurden verwendet, wobei ein MLP(6:24:8:3) Netzwerk zufriedenstellende Ergebnisse lieferte. Fallstudie 2 untersuchte die Abhängigkeit zwischen IOP, CCT und dem Grad des Sehfeldverlusts, wobei ein MLP(3:24:8:1) Netzwerk gute Ergebnisse erzielte. Fallstudie 3 modellierte die Abhängigkeit zwischen IOP, CCT und dem Grad des Schädigungen des Sehnervs. Zusätzliche Fallstudien wurden durchgeführt, wobei verschiedene Variablen und Modelle verwendet wurden, um die Evolution des Glaukoms und andere Parameter genau vorherzusagen.
Eine weitere Aufgabe beinhaltete die Modellierung der Entwicklung des Glaukoms anhand von Daten des dritten Besuchs. PyTorch wurde für die Bestimmung von neuronalen Netzwerkarchitekturen verwendet, um die Progression des Glaukoms vorherzusagen. Ein Feedforward-Netzwerk lieferte die besten Ergebnisse, wobei die Modelle unter Verwendung von Softmax-Schichten und dem Adam-Algorithmus trainiert wurden. Die Ergebnisse zeigten eine hohe Genauigkeit bei der Vorhersage der Glaukomprogression. Weitere Aufgaben beinhalteten die Vorhersage spezifischer Parameter bei Besuchen 1, 2 und 3, wie VFI, MD, PSD und RNFL. Die Ergebnisse wiesen auf eine genau Vorhersage dieser Parameter hin.
Insgesamt wurden mehrere neuronale Netzwerkmodelle unter Verwendung von PyTorch erfolgreich entwickelt und getestet. Die Ergebnisse zeigten zufriedenstellende Genauigkeit bei der Vorhersage von Glaukomprogression und anderen Parametern, was die Effektivität von neuronalen Netzwerken in der Medizin und im Bereich der Augenheilkunde unterstreicht.