人工智能与用于RGP镜头的传统方法相比,在角质中适配镜头.
Jérémy Abadou1, Simon Dahan2, Juliette Knoeri1
1Groupe de Recherche Clinique #32, Transplantation et Thérapies Innovantes de la Cornée, Sorbonne Université, Hôpital National des 15-20, Paris, France.
概括
人工智能,特别是卷积神经网络 (CNN),与传统方法相比,显著改善了对眼的刚性隐形眼镜后部曲率的预测. 这一进步为患者提供了更好的隐形眼镜配件.
科学领域:
- 眼科医生 眼科 眼科
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 角膜是一种影响角膜形状的渐进性眼睛疾病.
- 准确预测最适合的刚性隐形眼镜 (RCBFL) 后半径的曲率对于成功安装隐形眼镜在角膜患者中至关重要.
- 目前用于RCBFL预测的方法在准确性上有局限性.
研究的目的:
- 为了比较三个人工智能 (AI) 框架的预测效率:标准机器学习 (ML),多层感知器 (MLP) 和卷积神经网络 (CNN).
- 将这些AI框架与参考方法 (平均曲率半径,K) 进行评估,用于预测角眼中的RCBFL.
- 通过使用角膜地形数据来确定用于RCBFL预测的优越AI方法.
主要方法:
- 这是一项追溯研究,对来自135名佩戴Rose K2®刚性隐形眼镜的患者的197个角质眼睛进行了追溯研究.
- 利用来自MS39®地形学家的地形数据 (索引和重建的地图) 来进行AI分析.
- 将标准ML,MLP (使用索引) 和CNN (使用地图) 与平均K参考方法进行比较,用R平方 (r2) 值评估准确性.
主要成果:
- 标准ML (随机森林),MLP和CNN显示出明显更好的RCBFL预测,而不是平均K参考 (r2=0.36).
- 使用三个地形图训练的CNN,特别是EfficientNetB0,实现了最高的预测准确度 (r2=0.80).
- 人工智能方法表现出卓越的性能,准确度在0.69到0.80之间 (p < 0.05).
结论:
- 人工智能方法,特别是CNN,在预测形眼中的刚性隐形眼镜的后半径曲率方面明显优于传统方法.
- 来自MS39®拓仪的角膜拓数据对于人工智能驱动的RCBFL预测非常有效.
- 这些发现表明,人工智能可以提高皮质患者的隐形眼镜适配的精度.
