机器学习模型用于 ортокератологии镜头配件和轴长度预测
Shuai Xu1, Xiaoyan Yang2,3,4, Shuxian Zhang2,3,4
1Key Laboratory of Weak-Light Nonlinear Photonics, Ministry of Education, School of Physics and TEDA Applied Physics, Nankai University, Tianjin, China.
概括
机器学习模型显著改善了骨关节学镜片的配合,并在一年后准确地预测轴长. 这些人工智能驱动的工具为近视管理提供了高精度和稳定性.
科学领域:
- 眼科医生 眼科 眼科
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- ортокератология (OK) 是一种使用专用隐形眼镜的近视控制方法.
- 准确的OK镜头配合和折射变化的预测对于有效的治疗至关重要.
- 预测结果的现有方法在效率和准确性方面可能受到限制.
研究的目的:
- 开发和评估机器学习 (ML) 模型,以增强脊椎病学镜片的配合.
- 为了预测近视眼睛的轴长度,在一年的OK镜头佩戴后.
- 为了提高整体效率和预测性表现在脊椎病理学.
主要方法:
- 对1302名近视患者的临床数据进行了回顾性分析.
- 实施两种ML模型,利用人口统计和角膜地形数据.
- 训练和验证模型使用80%和20%的数据,分别.
- 将ML衍生的第一对齐曲线 (AC1) 与公式计算进行比较.
- 应用多重回归模型 (SVM,高斯过程,决策树,随机森林) 进行轴长度预测.
主要成果:
- 与公式计算 (R2=0.66) 相比,OK镜头的ML模型显示出更高的性能 (R2=0.93,MAE=0.19,MSE=0.09).
- 在不同的OK镜头品牌和设计中保持了高的预测准确性 (R2在0.91到0.96之间).
- 轴长预测的ML模型获得了0.94的高R2值,表明了卓越的准确性和稳定性.
结论:
- ML模型显著提高了 ортокератология镜头配合的准确性和效率.
- 这些模型在OK镜头磨损一年后为轴长度变化提供了可靠的预测.
- 开发的模型是指导骨关节病学实践中临床决策的宝贵工具.
