在使用机器学习辅助眼内透镜功率计算的训练数据大小和预测错误

科学领域:

• 眼科医生 眼科 眼科
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 准确的眼内镜 (IOL) 功率计算对于白内障手术后成功的折射结果至关重要.
• SRK/T公式被广泛使用,但可以使用机器学习方法来改进.
• 训练数据大小对这些机器学习模型准确性的影响尚未完全理解.

研究的目的:

• 为了研究训练数据大小对机器学习辅助SRK/T功率计算公式的准确性的影响.
• 确定实现可接受的预测误差值所需的最小数据集大小.

主要方法:

• 从4800名接受白内障手术的日本患者的临床记录的回顾性审查.
• 开发一个支持向量回归器 (SVR) 模型来完善SRK/T公式.
• 系统地减少训练数据集大小 (从完整数据减少到1/64),以评估预测误差 (术后折射).

主要成果:

• 使用≥150只眼睛的训练数据集,可以达到±0.50 D的准确性.
• 为了达到±0.25 D的精度,需要一个≥300只眼睛的数据集.
• 预测错误在大多数开放循环内膜眼镜的不同A常数中是一致的,不包括涂层触觉器.

结论:

• 机器学习辅助的SRK/T功率计算可以在日本人口的训练数据集大小 (≥150只眼睛) 减少的情况下实现高精度.
• 开发的SVR模型证明了各种开放循环IOL设计的多功能性.
• 这一发现表明,在不影响临床准确性的情况下,可以进行更有效的模型训练.