标准化角膜拓学驱动的人工智能用于整形肌瘤学适配:一种混合深度/机器学习方法,具有增强的通用性

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:

• 整形眼镜 (OK) 镜片的配合依赖于精确的角膜拓,但跨设备的数据标准化是一个挑战.
• 对于OK镜头配件的现有AI模型往往由于角膜地形数据的变化而缺乏通用性.

研究的目的:

• 开发一个标准化的人工智能 (AI) 系统,以优化正视眼镜 (OK) 镜头的配合.
• 整合角膜拓图像和数值参数,以提高适配精度.

主要方法:

• 对1153名患者 (2341只眼睛) 进行了回顾性分析,这些患者使用Euclid OK镜头.
• 开发了一个设备不可知的管道,用于标准化的角膜地形重建.
• 利用混合AI模型结合深度学习 (ResNet) 和机器学习来预测对齐曲线 (AC) 和气功率 (CP).

主要成果:

• 混合AI模型在AC预测方面取得了突破性表现 (MAE=0.136,R2=0.973) 和优越的CP分类 (ACC=0.898,AUC=0.896).
• 数字模型显示最佳的AC和CP预测,而基于图像的模型具有可接受的AC预测,但CP分类不足.
• 混合方法显著超过单个模型的表现.

结论:

• 开发的AI系统标准化了角膜地形,克服了通用性的关键障碍.
• 该系统可提高近视控制应用的适配精度和通用性.
• 无关设备的混合AI框架为高质量的OK镜头配件提供了可扩展的解决方案.