Predicción rápida y precisa de la agudeza visual basada en aberraciones ópticas y aprendizaje automático

Área de la Ciencia:

• Oftalmología; Ciencias de la Computación; Aprendizaje automático

Sus antecedentes:

• La predicción de la agudeza visual (AV) es crucial para el cuidado ocular.
• Los métodos actuales pueden carecer de eficiencia o precisión.
• El aprendizaje automático ofrece potencial para mejorar la predicción de la AV.

Objetivo del estudio:

• Desarrollar y evaluar modelos de aprendizaje automático para predecir la agudeza visual.
• Comparar el rendimiento de los árboles de regresión (LSBoost, XGBoost) y una red neuronal para la predicción de la AV.

Principales métodos:

• Se propusieron tres modelos de aprendizaje automático: LSBoost, XGBoost y una red neuronal.
• Los datos incluyeron coeficientes de Zernike, amplitudes de acomodación, edad y AV de 135 sujetos.
• Los modelos simularon el reconocimiento de optotipos clínicos para la estimación de la AV.

Principales resultados:

• LSBoost demostró una precisión de predicción superior, especialmente con datos de acomodación.
• XGBoost proporcionó tiempos de cómputo más rápidos, beneficiosos para grandes conjuntos de datos.
• La red neuronal mostró un alto reconocimiento de optotipos pero una menor precisión en la predicción de la AV.

Conclusiones:

• Los modelos de árboles de regresión, especialmente LSBoost, son muy adecuados para la predicción de la AV utilizando datos clínicos tabulados.
• LSBoost se destaca en precisión, mientras que XGBoost ofrece eficiencia computacional.
• El aprendizaje automático proporciona una vía prometedora para avanzar en la evaluación de la agudeza visual.