一个新的时间感知深度学习模型预测儿童和青少年近视
Ana Maria Varošanec1,2, Leon Marković1,2, Zdenko Sonicki3
1University Eye Department, University Hospital "Sveti Duh", Reference Center of The Ministry of Health of The Republic of Croatia for Pediatric Ophthalmology and Strabismus, Reference Center of The Ministry of Health of The Republic of Croatia for Inherited Retinal Dystrophies, Zagreb, Croatia.
Ophthalmology science
|August 21, 2024
概括
这项研究使用先进的人工智能预测了儿童近视的进展,实现了高精度的球体等价 (SE) 预测. 这种新方法为近视管理提供了临床上可接受的错误率.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 近视是儿童和青少年日益严重的全球健康问题.
- 准确预测折射误差的进展对于及时干预和管理至关重要.
- 现有的方法可能无法完全捕捉纵向视觉数据的复杂性.
研究的目的:
- 量化预测儿童和青少年的球体等价物 (SE).
- 为了利用可变长度的历史视觉记录来预测近视.
- 评估一种新的时间意识的LSTM模型对SE预测的有效性.
主要方法:
- 对895名近视儿童和青少年 (4-18岁) 的回顾性分析.
- 利用了对时间意识长期短期记忆 (LSTM) 网络的新改造.
- 集成的扩展门机制,以捕捉时间特征在不规则的时间序列数据.
主要成果:
- 该模型实现了SE的平均绝对预测误差 (MAE) 为0.10±0.15二光度 (D).
- 预测准确度受到序列长度,预测持续时间,年龄和近视严重程度的影响.
- 根据这些因素,MAE范围从0.03 ± 0.04 D到0.45 ± 0.24 D.
结论:
- 延长门时间感知LSTM有效预测SE在年轻人的7年时间框架内.
- 总体预测误差 (0.10 ± 0.15 D) 显著低于临床可接受度值 (0.75 D).
- 这种人工智能驱动的方法有助于早期识别和管理近视的进展.
