在使用可解释机器学习模型的九个眼内透镜计算公式中评估预测错误.
Richul Oh1, Joo Youn Oh1,2,3, Hyuk Jin Choi1,2,3,4
1Department of Ophthalmology, Seoul National University Hospital, 101 Daehak-ro, Jongno-gu, Seoul, 03080, Korea.
BMC ophthalmology
|December 19, 2024
概括
这项研究发现,当前的眼部生物识别变量很少解释许多眼内透镜 (IOL) 公式中的预测错误,这表明新的变量可能会提高白内障手术的准确性.
科学领域:
- 眼科医生 眼科 眼科
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 白内障手术的结果取决于精确的眼内透镜 (IOL) 功率计算.
- IOL公式中的预测错误 (PE) 可能导致视觉效果不佳.
- 了解眼部生物识别和PEs之间的关系对于提高IOL公式准确性至关重要.
研究的目的:
- 评估白内障手术中预测错误 (PE) 和眼部生物识别变量之间的关系.
- 评估眼部生物识别在9种不同的眼内透镜 (IOL) 公式中对PEs的解释能力.
- 使用可解释的机器学习模型来分析这些关系.
主要方法:
- 在1430次白内障手术的回顾性分析中,使用了Tecnis 1片内腔镜 (ZCB00).
- 使用九种不同的IOL公式计算预测的折射率 (巴雷特通用II,库克K6,EVO V2.0,海吉斯,霍弗QST,霍拉代1,凯恩,SRK/T,PEARL-DGS).
- 应用一个LightGBM机器学习模型和SHAP值来确定PEs的眼部生物识别的解释能力.
主要成果:
- SRK/T公式显示了最高的解释力 (R2=0.231),而凯恩公式显示了最低的解释力 (R2=0.021).
- 大多数新一代IOL配方显示R2值较低,这表明PE的解释仅限于当前的眼部生物识别变量.
- 较小的SHAP值与较低的R2值相关,加强了这些变量对某些公式的预测错误的影响有限.
结论:
- 现有的眼部生物识别变量在几种新一代IOL公式中对预测错误的解释能力较低,这表明这些公式可能正在接近优化.
- 引入新的眼部生物识别变量有可能减少PEs并提高白内障手术结果的精度.
- 对新的生物识别参数进行进一步的研究是有必要的,以提高IOL计算的准确性和患者满意度.
相关概念视频
01:16Focusing of Light in the Eye
2.5K
Light rays enter the eye through the cornea, a transparent dome-shaped tissue that is the eye's outermost layer. The cornea bends or refracts, light rays traveling to the pupil. The shape of the cornea determines how much of the light is bent and whether the image will be focused correctly on the retina at the back of the eye. Once the light has passed through both refraction layers, it converges into a single focal point onto a small area. This is where photoreceptors start transforming...
2.5K
01:03Prediction Intervals
2.2K
The interval estimate of any variable is known as the prediction interval. It helps decide if a point estimate is dependable.
However, the point estimate is most likely not the exact value of the population parameter, but close to it. After calculating point estimates, we construct interval estimates, called confidence intervals or prediction intervals. This prediction interval comprises a range of values unlike the point estimate and is a better predictor of the observed sample value, y.
However, the point estimate is most likely not the exact value of the population parameter, but close to it. After calculating point estimates, we construct interval estimates, called confidence intervals or prediction intervals. This prediction interval comprises a range of values unlike the point estimate and is a better predictor of the observed sample value, y.
2.2K