通过使用人工智能算法进行OCT角膜拓的Forme fruste角膜检测.
Eugénie Mourgues1, Virgile Saunier, David Smadja
1From the Ophthalmology Unit, University Hospital Bordeaux, Bordeaux, France (Mourgues, Saunier, Touboul, Valentine Saunier); Department of Ophthalmology, Hadassah Medical Center, Faculty of Medicine, Hebrew University of Jerusalem, Jerusalem, Israel (Smadja).
Journal of cataract and refractive surgery
|September 3, 2024
概括
机器学习算法有效地区分正常的角膜和状角膜 (FFKC),使用扫描源光学连贯断层扫描 (SS-OCT) 地形学. 这种人工智能方法显示,与Ectasia查指数 (ESI) 相比,早期形检测的灵敏度有所提高.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 角膜 (KC) 是一种渐进的角膜疾病.
- 在预防视力丧失和指导折射性手术决策方面,早期检测形角质 (FFKC) 是至关重要的.
- 目前的诊断工具在识别早期KC时存在局限性.
研究的目的:
- 开发和评估机器学习 (ML) 算法,使用扫描源光学连贯断层扫描 (SS-OCT) 地形学来区分正常角膜和FFKC.
- 将ML模型的性能与Ectasia选指数 (ESI) 的性能进行比较.
主要方法:
- 使用SS-OCT CASIA 2对108个KC,88个FFKC和162个正常角膜眼睛进行了回顾性分析.
- 使用Dataiku处理的数据;训练用于多类分类的ML模型 (随机森林,后勤回归).
- 算法与ectasia查的ESI得分进行比较.
主要成果:
- 物流回归 (LR) 和随机森林 (RF) 模型在检测FFKC方面表现出高精度 (AUC为0.99和0.98).
- 在FFKC诊断方面,LR实现了100%的灵敏度,超过ESI (28%) 的表现.
- ESI显示的特异性比RF (90%) 高 (100%),而LR保持了100%的特异性.
结论:
- 在使用SS-OCT CASIA 2进行折射性手术查时,确定了差异化的地形参数.
- 开发了一种新的算法来分类正常眼睛与FFKC眼睛.
- 与ESI分数相比,开发的ML算法在早期KC检测方面提供了卓越的性能.


