可解释机器学习预测布鲁赫的膜开放-最小边缘宽度使用视网膜神经纤维层值和视觉场全球索引
Sat Byul Seo1, Hyun-Kyung Cho2,3
1Department of Mathematics Education, Kyungnam University, 7 Kyungnamdaehak-ro, Changwon-si 51767, Geongsangnam-do, Republic of Korea.
Bioengineering (Basel, Switzerland)
|March 28, 2025
概括
这项研究使用光学连贯断层扫描 (OCT) 和视野 (VF) 数据预测了布鲁赫的膜开放-最小边缘宽度 (BMO-MRW). 机器学习准确地估计了BMO-MRW,在OCT无法使用时有助于青光眼的诊断.
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:
- 布鲁赫的膜开放-最小边缘宽度 (BMO-MRW) 是一种新的玻璃眼参数.
- 传统的光学连贯性断层扫描 (OCT) 和视野 (VF) 测试提供结构和功能数据.
- 在没有直接测量的情况下预测BMO-MRW是临床上有价值的.
研究的目的:
- 开发和验证用于预测BMO-MRW的机器学习模型.
- 为了整合视网膜神经纤维层 (RNFL) 厚度和VF全球索引 (MD,PSD,VFI) 进行BMO-MRW预测.
- 评估不同参数对BMO-MRW预测的贡献.
主要方法:
- 开发一个可解释的机器学习模型.
- 整合了来自OCT的RNFL厚度和VF全球指数.
- 在参数分析中使用SHAP (夏普利添加式扩展).
主要成果:
- 该模型实现了BMO-MRW的高预测准确性,R2值为0.68 (下限时),0.67 (全球) 和0.64 (超限时).
- RNFL参数是BMO-MRW的重要预测因素.
- 年龄和PSD被确定为关键贡献因素.
结论:
- 整合结构和功能数据的机器学习模型可以准确预测BMO-MRW.
- 这种方法为眼病管理提供了宝贵的临床见解,特别是当BMO-MRW不能直接测量时.
- 该模型显示了提高青光眼诊断和疾病进展监测的潜力.
