通过角膜曲率和最薄的帕奇米度指数进行角膜硬度分期的智能决策支持系统

科学领域:

• 眼科医生 眼科 眼科
• 机器学习 机器学习
• 医疗成像医学成像

背景情况:

• (KC) 严重程度的检测对于患者的管理至关重要.
• 目前的方法可能缺乏效率或需要大量的数据.
• 提出了一种涉及机器学习专家和眼科医生的协作方法.

研究的目的:

• 开发和验证一个决策支持系统,用于检测角的严重程度.
• 使用集成机器学习模型,最小的角膜测量.
• 创建一个用户友好的,基于Web的临床评估应用程序.

主要方法:

• 使用Pentacam角膜断层扫描数据,使用过量采样进行预处理和平衡.
• 通过统计和专家分析,确定了与KC严重程度相关的关键Pentacam指数.
• 开发并验证了三种机器学习模型,选择了最有效的模型进行集成.

主要成果:

• 该系统实现了高性能指标:98.62%的准确性,98.70%的精度,98.62%的回忆,98.66%的F1分数和98.64%的F2分数.
• 部署的Web应用程序展示了精确而流的端到端功能.
• 实验评估证实了该系统的有效性.

结论:

• 开发的决策支持系统为临床评估角严重程度提供了坚实的基础.
• 该系统显示出在临床环境中作为查工具的部署潜力.
• 在广泛临床使用之前,建议眼科医生进一步评估.