通过机器学习开发和验证,通过机器学习预测角膜交叉连接与渐进性角膜两年后的视力敏度和角膜测量
Yu Liu1,2, Dan Shen2, Hao-Yu Wang2
1Aier School of Ophthalmology, Central South University, Changsha, China.
Frontiers in medicine
|August 3, 2023
概括
机器学习 (ML) 准确地预测了角膜交叉连接 (CXL) 后的视觉敏度和角膜测量变化. XGBoost模型在治疗后2年预测结果时显示出高准确度.
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:
- 渐进式角质对视力构成重大风险.
- 角膜交叉连接 (CXL) 是逐渐增长的角质的一个标准治疗方法.
- 预测治疗结果对于患者管理至关重要.
研究的目的:
- 评估机器学习 (ML) 模型在预测视觉敏度和角质测量变化的有效性.
- 通过使用有限的数据集来验证ML模型的性能,用于接受CXL.CXL.CXL.CXL.CXL.CXL.CXL.CXL.CXL.CXL.
- 评估ML 2年后角膜交叉链接的预测效用.
主要方法:
- 一个回顾性分析的277个眼睛从195名患者的进展性角治疗CXL.
- 使用培训和测试数据集开发和评估三种ML模型.
- 评估XGBoost模型的性能,以预测纠正距离视敏度 (CDVA) 和最大角质量测量 (Kmax) 变化.
- 验证使用一个独立的43只眼睛.
主要成果:
- 基线CDVA和K2/K1比率与CDVA变化有关.
- 基线Kmax/Kmean比率与Kmax变化有关.
- 该XGBoost模型显示高预测准确度 (R2=0.9993的CDVA,R2=0.9888的Kmax在测试;R2=0.8956的CDVA,R2=0.8382的Kmax在验证).
结论:
- 机器学习,特别是XGBoost,显著提高了CXL后视觉和角质测量结果的预测准确性.
- 纳入特定患者参数可以提高ML预测渐进性角瘤的可靠性.
- ML提供了一个有价值的工具,用于预测2年后CXL视力敏度和角质量变化的变化.
