在ICL植入中探索机器学习模型用于金库安全:回归和分类模型的比较分析

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 在V4c植入植入可植入合透镜 (ICL) 后准确预测术后的顶高度,对于预防并发症和确保最佳外科结果至关重要.
• 本研究评估了机器学习 (ML) 模型,用于预测ICL顶高度,比较回归和分类方法.

研究的目的:

• 评估各种ML算法的性能,以预测ICL V4c植入后手术后的顶高度.
• 为了确定回归与分类ML模型在ICL手术中临床应用的疗效.

主要方法:

• 对ICL植入相关的生物识别和人口统计数据的回顾性分析.
• 使用梯度增强,随机森林和CatBoost算法开发和评估回归和分类模型.
• 使用MAE,RMSE,精度,F1得分和AUC等指标进行性能评估.

主要成果:

• 回归模型显示了适度的预测性能 (随机森林:MAE 134.0 μm,RMSE 171.3 μm).
• 分类模型证明了卓越的临床适用性,梯度提升实现了89%的准确性 (AUC 0.89) 对于二进制预测 (<250μm与≥250μm).
• 随机森林在二进制分类 (≥750μm vs. ≤750μm) 中表现出色,准确度为86% (AUC 0.88) 和预测中间高层的多类预测 (94.6%准确度). 模型在极端的顶级类别中扎.

结论:

• 分类模型,特别是梯度提升和随机森林,显示出预测临床相关ICL顶高度类别的巨大潜力.
• 与回归模型相比,分类方法更适合于临床应用,因为它们在定义的密室范围内具有更高的预测准确性.
• 未来的研究应该旨在提高极端高层预测的准确性,并探索集体深度学习等先进的ML技术.