优化微笑的折射结果:人工智能与传统的最先进的诺米格拉姆相比

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 手术技术 手术技术

背景情况:

• 人工智能 (AI) 越来越多地被用于眼科.
• 机器学习 (ML) 提供了优化折射手术结果的潜力.
• 目前的ML应用在小切割镜片提取 (SMILE) 编程中尚未得到充分探索.

研究的目的:

• 为了比较传统的诺米图与基于ML的新型诺米图,用于SMILE手术.
• 评估不同名ogram模型的球形和形可预测性.
• 评估线性,通用添加混合和人工神经网络模型的性能.

主要方法:

• 在1342只眼睛上使用线性模型 (LM),通用添加混合模型 (GAMM) 和人工神经网络 (ANN) 开发了三种名录.
• 包括16个患者和治疗相关的特征.
• 训练了895只眼睛的模型,并对447只眼睛进行了验证,通过球形等效 (SE) 和纹 (TIA与SIA) 评估可预测性.

主要成果:

• 对于SE预测的根平均平方误差 (RMSE) 是0.355 (LM),0.348 (GAMM) 和0.367 (ANN).
• 阿斯蒂格玛纠正的RMSE为0.279 (LM),0.278 (GAMM) 和0.290 (ANN).
• 目标折射的±0.50 D内可预测性提高到SE的82-84%和白的90-93%.

结论:

• ML验证了当前的SMILE nomograms,显示了可比或略有改进的可预测性.
• 主观明显折射是影响折射结果的关键因素.
• 需要进一步提高主观折射的精度,才能超过当前的可预测性限制.