在e-ROP研究中,机器学习模型用于预测早产需要治疗的视网膜病变

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:

• 早产视网膜病变 (ROP) 是早产婴儿视力丧失的主要原因之一.
• 早期发现和治疗需要治疗的ROP (TR-ROP) 对于预防严重视力损伤至关重要.
• 目前的选方法依赖于手动检查,这可能是资源密集的.

研究的目的:

• 评估用于预测TR-ROP的机器学习 (ML) 模型.
• 评估图像发现在月经后32-34周的实用性,以及人口统计和临床数据,用于TR-ROP预测.

主要方法:

• 从e-ROP研究中对771名婴儿 (出生体重<1251克) 进行了二次分析.
• 六个ML模型 (KNN,SVM,随机森林,XGBoost,DNN,变压器) 进行了训练和评估.
• 性能指标包括AUC,精度,灵敏度和特异性.

主要成果:

• 结合图像发现和临床数据的ML模型实现了AUC从0.777到0.853.
• 深度神经网络 (DNN) 模型表现出最高的性能,AUC为0.853,灵敏度为0.929,特异性为0.644.
• 仅使用图像发现,DNN的AUC达到0.787.7.

结论:

• 机器学习模型显示TR-ROP的中等预测能力.
• DNN模型为早期TR-ROP风险识别提供了有希望的结果.
• 需要进一步的研究来提高临床应用的ML模型性能.