通过可解释的机器学习从视网膜光学成像预测心力衰竭的危险因素
Sona M Al Younis1, Samit Kumar Ghosh1, Hina Raja2
1Department of Biomedical Engineering and Biotechnology, Healthcare Engineering Innovation Group (HEIG), Khalifa University, Abu Dhabi, United Arab Emirates.
Frontiers in medicine
|April 1, 2025
概括
视网膜光连贯断层扫描 (OCT) 功能显示为心力衰竭 (HF) 检测和分类的非侵入性生物标志物具有前途. 分析视网膜厚度可能有助于早期诊断和个性化医疗保健解决方案.
科学领域:
- 眼科医生 眼科 眼科
- 心脏病学 心脏病学
- 生物医学工程 生物医学工程
背景情况:
- 心力衰竭 (HF) 影响全球超过6400万,导致高死亡率和医疗费用.
- 目前对HF的诊断方法可能具有侵入性和成本.
- 对于早期检测和分类HF亚型,需要非侵入性生物标志物.
研究的目的:
- 调查视网膜光连贯断层扫描 (OCT) 功能作为分类心力衰竭亚型的非侵入性生物标志物.
- 使用机器学习 (ML) 探索眼睛指标和心力衰竭之间的关系.
- 评估视网膜OCT在早期HF检测和个性化医疗保健方面的潜力.
主要方法:
- 分析了左眼,右眼和两只眼睛的光学连贯性断层扫描 (OCT) 的视网膜测量结果.
- 机器学习 (ML) 模型,包括后勤回归,CatBoost和XGBoost,用于分类任务.
- 九项分类实验比较了正常人与心力衰竭患者 (左心室心力衰竭,充血性心力衰竭,未指定的心力衰竭).
主要成果:
- 在心力衰竭患者中观察到视网膜厚度指标的显著减少,包括ISOS-RPE和黄斑厚度.
- 机器学习模型实现了强大的性能,具有高准确性和AUC分数,特别是在分类充血性心力衰竭和未指定的心力衰竭方面.
- 关键的视网膜参数,如ISOS-RPE和INL-ELM厚度被确定为检测心力衰竭的关键指标.
结论:
- 视网膜OCT特征显示出作为早期检测和分类心力衰竭的非侵入性生物标志物的显著潜力.
- 利用视网膜OCT数据,特别是来自双眼的数据,可以提高诊断能力.
- 这些发现可能有助于开发可穿戴诊断系统,以改善心力衰竭管理.
