机器学习技术用于诊断梅博米腺与临床指标相关的变化
Elena Fernández-Jiménez1, Elena Diz-Arias2, Jose A Gomez-Pedrero2
1Department of Optometry and Vision, Faculty of Optics and Optometry, University Complutense of Madrid, Spain.
概括
机器学习 (ML) 算法在使用临床数据对梅博姆腺 (MG) 疾病进行分类方面表现有前途,在验证中达到79%以上的准确性. 为了在MG病理学中获得可靠的诊断准确性,需要更多参与者的进一步研究.
科学领域:
- 眼科医生 眼科 眼科
- 生物医学工程 生物医学工程
- 计算机科学 计算机科学
背景情况:
- 梅博姆腺 (MG) 变化的诊断缺乏明确的"黄金标准"测试.
- 客观和主观测试需要全面的评估来准确诊断.
- 人工智能 (AI) 和机器学习 (ML) 在健康科学中显示出病理学预测的潜力.
研究的目的:
- 培训ML分类器,将参与者分类为具有MG变化和没有MG变化的组.
- 评估开发的ML分类器的精度,特异性和敏感性.
- 探索ML在诊断梅博姆腺功能障碍 (MGD) 中的实用性.
主要方法:
- 一项涉及135名参与者的回顾性比较研究 (对照组,隐形眼镜佩戴者,MG病理).
- 用症状学和临床试验评估眼睛表面和附带部.
- 测试中的数值数据被用于训练和验证五个ML分类器.
主要成果:
- ML分类器的准确度超过了76% (培训) 和79% (验证).
- 亚空间KNN表现出最高的性能,准确度,特异性和灵敏度均为中高 (>79%).
- 该研究强调了ML在分类MG疾病中的潜力.
结论:
- 基于临床数据,ML算法可以有效地对患有梅博姆腺疾病的参与者进行分类.
- 较大的参与者队伍对于提高诊断准确性的可靠性至关重要.
- ML为改善MG病理的诊断和分类提供了一个有希望的途径.
