基于模式逆转视觉唤起潜力和其他相关视觉参数的视觉敏度客观评估的可行性研究,使用机器学习算法

科学领域:

• 眼科医生 眼科 眼科
• 神经科学是一个神经科学.
• 机器学习 机器学习

背景情况:

• 对视力敏度 (VA) 的客观评估对于诊断和管理视力障碍至关重要.
• 传统的VA评估方法可能是主观的,耗时的.

研究的目的:

• 开发和验证用于客观VA评估的机器学习模型.
• 探索VA和电生理学/光学参数之间的关系.

主要方法:

• 利用模式逆转视觉唤起潜力 (PRVEPs) 和24名志愿者 (48只眼睛) 的其他视觉参数.
• 分析了VA,P100 (高峰时间和振幅),对比度灵敏度,折射误差,偏差和视野之间的相关性.
• 开发了四个机器学习算法和VA评估的整体模型.
• 使用接收器运行特征 (ROC) 曲线,重复采样和十倍交叉验证验证模型的有效性.

主要成果:

• 在各种检查大小 (P <0.05) 中,VA和P100峰值时间/振幅之间发现了显著的相关性.
• VA和P100参数之间的最佳相关性发生在1°检查大小.
• VA与对比度灵敏度和球形等价值 (P < 0.001) 正相关,与昏迷异常 (P < 0.05) 负相关.
• 机器学习模型实现了高精度,在交叉验证中ROC曲线下的平均面积 (AUC) > 0.95和> 0.84.

结论:

• 机器学习模型,利用PRVEP和视觉参数,为客观的VA评估提供了有效的工具.
• 这些模型可以帮助临床医生客观地评估视力敏度.