整合视网膜细分指标与机器学习,从小鼠SD-OCT扫描进行预测
Maide Gözde İnam1, Onur İnam1,2, Xiangjun Yang1
1Department of Ophthalmology, Edward S. Harkness Eye Institute, Columbia University, Vagelos College of Physicians and Surgeons, New York, NY, USA.
Current eye research
|January 23, 2025
概括
机器学习准确地预测小鼠的年龄和物种,使用来自OCT扫描的视网膜细分指标. 这种方法为分析实验模型和预测复杂结果提供了一个强大的工具.
科学领域:
- 眼科医生 眼科 眼科
- 生物医学工程 生物医学工程
- 机器学习在生物学中的应用
背景情况:
- 光学连贯断层扫描 (OCT) 对于非侵入性视网膜成像至关重要.
- 视网膜层厚度指标可以作为生物变异的生物标志物.
- 机器学习 (ML) 为复杂的生物数据提供了先进的分析能力.
研究的目的:
- 评估ML算法在从视网膜细分指标预测生物特征 (老鼠年龄和物种) 的有效性.
- 为了确定ML是否可以根据来自OCT扫描的视网膜结构数据对小鼠进行分类.
主要方法:
- 来自C57BL/6和DBA/2J小鼠的视网膜层厚度数据从SD-OCT扫描中进行了细分.
- 训练了22个ML模型来预测小鼠群 (物种和年龄).
- 我们优化了一个神经网络模型,并评估了性能指标 (精度,AUC,灵敏度,特异性,精度,F-1分数).
主要成果:
- 与其他ML分类器相比,神经网络的验证准确性明显更高 (p=0.005).
- 优化的神经网络在物种分类方面实现了92.31%的准确性 (C57BL/6与DBA/2J),AUC为0.9762.
- 该模型还实现了82.05%的年龄组差异化准确度,AUC为0.9064.
结论:
- 从OCT扫描中对视网膜细分指标的ML分析对于小鼠模型中的分类预测是有效的.
- 这种方法为实验研究提供了一种有价值的,非侵入性的方法.
- 未来扩展本病理学和功能数据可能会增强复杂的临床和实验结果的预测能力.
