基于机器学习的鉴定,使用原始角膜断层扫描数据识别瘤进展的危险因素

科学领域:

• 眼科医生 眼科 眼科
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 使用标准的临床方法,很难预测形的进展.
• 早期识别疾病进展对于及时干预至关重要,例如角膜交叉链接.

研究的目的:

• 在Pentacam数据上使用机器学习 (ML) 识别角进展的早期指标.
• 评估ML模型在预测角质恶化的有效性.

主要方法:

• 进行了对11760个Pentacam断层扫描测试的回顾性分析,这些测试来自形患者.
• 机器学习模型,特别是增强决策树,使用交叉验证进行训练.
• 数据被分为稳定和不稳定 (用于交叉链接) 的眼睛.

主要成果:

• 在单次断层扫描测试上训练ML模型的预测准确性很差 (AUC0.59).
• 对串行断层扫描测试的训练显著提高了预测能力 (AUC 0.75),值得注意的参数包括年龄,中央角质指数,Rs B和D10 mm pachy.
• 在使用串行数据时,该模型显示了改进的精度 (0.32),回忆 (0.67),和F1得分 (0.43).

结论:

• 在多个Pentacam测试中训练的机器学习算法可以有效地评估状的恶化.
• 通过ML模型识别的新参数为评估进展提供了超越当前临床实践的见解.
• 这些发现可以帮助临床医生做出有关交叉链接转诊的知情决策.