用机器学习预测治疗眼部创伤患者的视力敏度.
Zhi-Lu Zhou1,2, Yi-Fei Yan3,4, Jie-Min Chen2
1Department of Forensic Medicine, Guizhou Medical University, Guiyang 550009, Guizhou Province, China.
International journal of ophthalmology
|July 19, 2023
概括
机器学习准确地预测了眼部创伤患者的最佳校正视敏度 (BCVA). 这项技术有助于在治疗后识别视觉功能障碍,改善患者的治疗结果.
科学领域:
- 眼科医生 眼科 眼科
- 医疗人工智能 医疗人工智能
- 计算机视觉 计算机视觉
背景情况:
- 眼部创伤在预测视觉结果方面提出了重大挑战.
- 准确预测最佳校正视敏度 (BCVA) 对于治疗眼部创伤患者至关重要.
- 目前的方法可能无法完全捕捉创伤后视觉恢复的复杂性.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测眼睛创伤患者的BCVA.
- 评估ML算法在治疗后对视觉功能进行分类时的准确性.
- 确定影响创伤患者视觉结果的关键临床和眼部特征.
主要方法:
- 利用了850名眼部创伤患者 (1,589只眼睛) 的数据集,并对60名患者 (100只眼睛) 进行了单独的测试.
- 采用四个ML算法 (极端梯度提升,支向量回归,贝叶斯山脊,随机森林回归器) 进行BCVA预测和四个用于分类.
- 集成的临床数据与眼睛参数从光学连贯性断层扫描和 fundus 照片.
主要成果:
- ML模型表明预测和实际BCVA值之间存在显著的相关性 (皮尔森相关系数>0.6).
- 在创伤和组合组中,在创伤和组合组中实现了低的平均绝对误差 (MAE) 和根平均平方误差 (RMSE).
- 测试数据集显示BCVA分类的高准确度 (0.90) 和精度 (0.92),敏感度 (0.83) 和特异性 (0.95).
结论:
- 机器学习模型可以准确地预测治疗眼部创伤的患者的BCVA.
- 这些模型是识别视觉功能障碍和指导患者管理的宝贵工具.
- 多种数据源的整合增强了对视觉结果的预测能力.
