在斑点孔手术中量化最佳的内界膜剥离:用于预测建模和图形可视化的机器学习框架

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:

• 内限膜 (ILM) 剥离在黄斑孔 (MH) 手术中至关重要但具有挑战性.
• 目前的方法缺乏标准化工具来量化最佳的剥离尺寸.

研究的目的:

• 开发一种机器学习框架,在MH手术中推特定于外科医生的ILM剥离半径.
• 整合预测建模与方案可视化,用于运营规划.

主要方法:

• 追溯分析95个异形性MH患者进行了玻璃切除术,并进行了ILM剥离.
• 利用术前和术后的OCT图像来测量MH参数.
• 训练并评估了10个回归模型,评估RMSE,MSE,MAE和R2.2的性能.
• 开发了一个用于生成ILM剥离图表的GUI.

主要成果:

• 斜坡回归模型显示出优异的性能 (RMSE:0.0320,R2:0.9427).
• 生成的方案图提供了清晰的视觉表示.
• 该工具有助于外科手术规划和教育.

结论:

• 斜坡回归模型准确地预测最佳的ILM剥离半径.
• 图表图表生成改善了MH手术规划和教育.
• 机器学习和可视化工具显示了提高MH手术结果的潜力.