使用多焦点电网红图参数和机器学习算法早期检测和分期视网膜色素炎

科学领域:

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

背景情况:

• 视网膜色素炎 (RP) 是一种遗传性视网膜疾病,会损害摄影受体细胞.
• 准确的诊断和RP的分期对于及时干预和治疗至关重要.
• 当前的诊断方法在疾病分期中可能缺乏客观性.

研究的目的:

• 开发和评估一种机器学习方法,用于对视网膜色素炎的客观诊断和分期.
• 为了区分健康个体和RP患者在各种疾病阶段.
• 通过使用多焦电网红图 (mfERG) 数据来评估不同机器学习算法的性能.

主要方法:

• 从五个环的mfERG N1,P1和N2波中提取了广度和延迟特征.
• 使用四个机器学习算法进行了二进制和多类分类.
• 简单的贝叶斯 (NB) 算法被评估其在区分RP与健康对照和病期的表现.

主要成果:

• 纯粹的贝叶斯算法在二进制分类中实现了99%的准确性,从每个RP阶段区分出健康个体.
• 在多类分类中,NB在四类问题 (包括健康个体) 中获得了82%的准确性.
• 专注于疾病阶段的三类分类,在NB模型中获得了76%的准确性.

结论:

• 拟议的机器学习方法提供了对视网膜色素炎的客观和准确的分期.
• 结合机器学习的mfERG分析可以成为眼科医生有价值的决策支持工具.
• 这种方法有可能改善治疗RP患者的临床实践.