在与年龄相关的黄斑退化患者治疗后视觉敏度的预测,使用可解释的机器学习方法

科学领域:

• 眼科医生 眼科 眼科
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 神经血管与年龄相关的黄斑变性 (nAMD) 对视力构成重大威胁.
• 在nAMD患者中预测长期视力敏度 (VA) 对于治疗规划至关重要.
• 当前的预测模型往往缺乏可解释性和全面的数据集成.

研究的目的:

• 评估在nAMD患者中一年后预测VA的特征.
• 开发和解释用于VA预测的机器学习模型,使用多式联络数据.
• 为了确定影响VA结果的关键因素在nAMD.

主要方法:

• 训练有素的机器学习模型 (BaseM,SegM,RawM) 使用临床数据,OCT衍生流体体积和深度学习概率来预测VA恶化.
• 使用光学连贯性断层扫描 (OCT0,OCT3),光素血管学和氨酸绿色血管学数据.
• 应用了SHapley添加式解释 (SHAP) 来实现模型的可解释性.

主要成果:

• 使用基线OCT (OCT0) 概率的RawM模型表现优于SegM模型 (AUC为0.95对比0.91).
• 添加来自OCT3和其他成像模式的数据提供了最小的性能改善.
• SHAP分析确定VA在3个月和OCT3概率是对流体体积最有影响的特征.

结论:

• 多模式数据集成可以在nAMD中实现准确和可解释的VA预测.
• 基线的OCT数据对于预测1年的视觉结果非常实用.
• 这种方法有助于确定在nAMD患者中预测VA的关键因素.