新型的深度学习方法来估计固气体透性隐形眼镜底部曲线,用于形眼镜的配件

科学领域:

• 眼科医生 眼科 眼科
• 医疗人工智能 医疗人工智能
• 隐形眼镜技术 隐形眼镜技术

背景情况:

• 刚性气体透性 (RGP) 隐形眼镜对于治疗角质视力至关重要.
• 装配RGP透镜可以复杂和耗时的眼睛护理专业人员和患者.
• 深度学习 (DL) 提供了一个潜在的解决方案,以简化RGP镜头的装配.

研究的目的:

• 开发和评估一种深度学习模型,用于预测RGP镜片的基线曲线 (R0) 在形患者中.
• 为了比较DL模型的预测准确度与制造商的标准建议.

主要方法:

• 一项回顾性研究利用了Scheimpflug的成像数据,来自202名穿戴Menicon Rose K2®镜头的角质患者.
• 在前轴曲率数据上训练U-net深度学习架构,以预测R0.0.
• 在专门的测试组中,使用平均绝对误差 (MAE) 和Pearson R-squared (R2) 评估模型性能.

主要成果:

• 该DL型号实现了0.83的R2,超过了制造商的推 (平均角质量测量,Km),其中R2为0.75.
• 该模型的平均平方误差 (MSE) 为0.04,明显低于Km的0.11.
• 预测的R0MAE为0.16±0.13,统计上优于Km的MAE为0.23±0.23 (p=0.02).

结论:

• 开发的深度学习模型在预测RGP透镜基曲线方面表现出更高的精度.
• 这种由人工智能驱动的方法在简化具有挑战性的RGP镜头安装过程方面表现出了很大的希望.
• 该模型有可能减少安装时间并改善结果,特别是在复杂的情况下.