通过使用传统的统计方法和可解释的机器学习,通过视觉功能的测量来确定糖尿病视网膜病变的严重程度:一个横截面研究
David M Wright1, Usha Chakravarthy2, Radha Das2
1Centre for Public Health, Queen's University Belfast, Belfast, UK. d.wright@qub.ac.uk.
Diabetologia
|September 19, 2023
概括
机器学习模型使用视觉功能,年龄和性别的测量方法准确地分类了糖尿病视网膜病变的严重程度. 这些模型可以帮助预测糖尿病眼病的进展与现实世界的临床数据.
科学领域:
- 眼科医生 眼科 眼科
- 医疗信息学 医疗信息学
- 生物医学工程 生物医学工程
背景情况:
- 糖尿病视网膜病变 (DR) 是导致视力丧失的主要原因.
- 精确的DR分期对于及时干预至关重要.
- 目前的方法可能无法充分利用多式联运数据进行DR分类.
研究的目的:
- 评估机器学习 (ML) 在分类糖尿病视网膜病变严重性的有效性.
- 为了确定视觉功能,年龄和性别对DR分类的贡献.
- 将ML模型的性能与传统的物流回归进行比较.
主要方法:
- 评估了1901只眼睛的视觉功能,使用了9个测试.
- 参与者被分为四组:没有糖尿病,没有DR的糖尿病,没有DMO的DR,有DMO的DR.
- 集体ML模型和后勤回归被用于分类任务.
主要成果:
- 集体ML模型在DR分类任务中实现了高精度 (0.92,1.00,0.84).
- 机器学习模型的性能明显优于逻辑回归.
- 关键的视觉功能变量包括阅读指数,近视敏度和微观度.
结论:
- ML模型有效地使用现有的临床数据预测糖尿病眼病状态.
- 可解释的ML有助于理解与DR阶段相关的视觉功能配置文件.
- 这些方法显示出从复杂的临床数据集开发强大的预测模型的前景.
