在检测儿科亚临床角膜瘤时,使用角膜断层和生物力学参数的综合指数进行机器学习分析
Shengwei Ren1, Kaili Yang1, Liyan Xu1
1Henan Provincial People's Hospital, Henan Eye Hospital, Henan Eye Institute, People's Hospital of Zhengzhou University, Henan University People's Hospital, Zhengzhou, China.
Frontiers in bioengineering and biotechnology
|December 21, 2023
概括
早期发现儿科角 (KC) 是至关重要的. 结合角膜断层扫描和生物力学的机器学习模型有效地识别儿童的亚临床KC (SKC),改善诊断和生活质量.
科学领域:
- 眼科医生 眼科 眼科
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 角 (KC) 通常在青春期表现出来,但诊断重点仍然是成年人.
- 早期检测儿科KC对于预防进展和提高患者生活质量至关重要.
- 目前儿科KC和亚临床KC (SKC) 的诊断标准与成年人群不同.
研究的目的:
- 用机器学习来评估角膜断层和生物机械变量的疗效,以检测儿科患者的亚临床角膜 (SKC).
- 开发和验证用于早期识别儿童SKC的预测模型.
主要方法:
- 一项涉及52名KC,52名SKC和52名儿童眼睛的病例控制研究,对年龄和性别进行了匹配.
- 测量角膜断层和生物力学参数,随后进行统计分析,包括线性混合效应模型和ROC曲线分析.
- 机器学习,特别是多变量逻辑回归与逐步变量选择,被用来创建诊断模型.
主要成果:
- 角膜异常度 (PE),后极前曲率差异 (BAD-D) 和生物力学指数 (TBI) 等参数显示了儿科KC的高诊断能力.
- 对于SKC检测,上弧形前角膜测量 (SP A1) 和BAD-D显示出显著的分辨力 (AUC分别为0.84和0.817).
- 整合PE,最大前曲率差异 (DA比率max) 和SP A1的机器学习模型实现了90.4%的灵敏度和76.9%的特异性来检测儿科SKC.
结论:
- 对于成年人CK的确立诊断标准并不直接适用于儿科患者.
- 通过机器学习将角膜断层扫描和生物机械数据结合起来,显著提高了儿童SKK的早期诊断.
- 这种方法解决了儿科KC在研究中的不足,并可以改善患者的治疗结果.
