在GlaucomAI系统中应用机器学习技术,用于青光眼的诊断和协作研究支持

科学领域:

• 眼科医生 眼科 眼科
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 持续监测心血管特性对于了解疾病进展至关重要.
• 传统上,青光眼的诊断依赖于眼内压力测量和成像,但这些都有局限性.
• 可穿戴传感器技术为非侵入性健康监测提供了新的途径.

研究的目的:

• 提出一个系统架构,支持合作研究,分析来自Triggerfish隐形眼镜传感器的数据.
• 为了使机器学习 (ML) 模型能够在没有直接眼内压力测量或复杂成像的情况下用于青光眼的诊断.
• 为了促进多传感器数据的收集,共享和分析,以了解青光眼风险因素和疾病进展.

主要方法:

• 开发使用隐形眼镜传感器数据和角膜生物机械性质测量数据的ML模型.
• 一个能够处理多传感器数据的协作研究系统的架构设计.
• 在个性化医学中探索ML模型的解释性,评估和挑战.

主要成果:

• 使用传感器数据,独立于传统方法,证明了ML模型的可行性,用于用传感器数据诊断青光眼.
• 建立了一个合作研究框架,包括眼科医生,数据科学家和ML专家.
• 识别了ML模型预测评估和个性化眼治疗方法的关键问题.

结论:

• 拟议的系统架构支持对青光眼诊断和风险因素识别的协作研究.
• 在传感器数据上训练的ML模型提供了一个有希望的,非侵入性的方法来诊断青光眼.
• 该系统促进跨学科的合作,以促进对眼的理解和管理.