使用Corvis ST序列与数字图像相关性和机器学习进行Forme Fruste Keratoconus的诊断

科学领域:

• 眼科和生物医学工程眼科和生物医学工程
• 角膜生物力学和成像分析

背景情况:

• 在预防视力丧失方面,早期检测状角 (FFKC) 是至关重要的.
• 科维斯ST (CVS) 声度计提供动态角膜响应数据,但区分FFKC仍然具有挑战性.
• 增量数字图像相关性 (DIC) 提供了对角膜变形的详细生物力学见解.

研究的目的:

• 将增量数字图像相关性 (DIC) 应用于Corvis ST (CVS) 数据,用于角膜位移和应变分析.
• 评估机器学习 (ML) 模型的性能,将这些生物力学数据集成到FFKC检测中.
• 将ML模型的诊断精度与现有的CVS参数进行比较.

主要方法:

• 100名受试者 (50个正常,50个FFKC) 接受了Corvis ST (CVS) 影像检查.
• 增量DIC重建了全场角膜位移,应变,速度和应变速率的演变.
• 纳伊夫贝叶斯 (NB) 和随机森林 (RF) 模型,包括投票分类器,在八个生物机械进化曲线上进行了训练.

主要成果:

• 投票组合ML模型实现了1.00的曲线下的面积 (AUC),RF模型实现了0.99的AUC.
• 现有的CVS参数,半径和A2时间,分别显示AUC为0.948和0.938,但ML模型的表现优于它们.
• 在角膜变形期间,ML模型的性能随着时间点的增加而改善,这表明时间模式的意义.

结论:

• 将增量DIC衍生的生物机械数据与ML模型集成,在区分FFKC与正常角膜方面提供了更高的准确性.
• 这种方法超过了当前Corvis ST (CVS) 参数的诊断性能.
• 分析内角膜的生物力学反应和时间模式,对早期检测角膜有很大的潜力.