预测皮质膜患者的术后视力敏度,并可视化机器学习模型中解释变量的贡献

科学领域:

• 眼科医生 眼科 眼科
• 医疗人工智能 医疗人工智能
• 视网膜成像 视网膜成像

背景情况:

• 视网膜 (ERM) 影响视力,需要手术干预.
• 预测术后视力敏度对于患者的管理和预期至关重要.

研究的目的:

• 开发和验证一种机器学习模型,用于预测ERM患者的术后视力敏度.
• 确定影响玻璃切除术后视觉结果的关键临床和OCT衍生因素.

主要方法:

• 用于预测建模的利用光梯度增强机 (LightGBM).
• 开发了两个模型:一个采用术前数据,另一个包括早期术后视力敏度.
• 采用5倍交叉验证和沙普利添加式解释 (SHAP) 来进行模型评估和特征重要性.

主要成果:

• 模型准确地预测了视力敏度,RMSEs低至0.10 logMAR单位.
• 手术前视力敏度和宫外内叶层 (EIFL) 区域是显著的预测因素.
• 在模型2中包括早期术后视力敏度,显著提高了预测准确性.

结论:

• 机器学习模型,特别是LightGBM,可以可靠地预测ERM手术后的视力敏度.
• 手术前视力敏度和EIFL大小是视力恢复的关键决定因素.
• 在ERM情况下的早期干预对于最佳的视觉效果至关重要.