根据机器学习模型的图案视觉唤起潜力,预测治疗眼部创伤的视觉敏度.
Hongxia Hao1, Jiemin Chen1, Yifei Yan2,3
1Shanghai Key Laboratory of Forensic Medicine, Shanghai Forensic Service Platform, Academy of Forensic Science, Shanghai, China.
Frontiers in cell and developmental biology
|August 18, 2025
概括
分析模式视觉唤起潜力 (PVEP) 的机器学习模型准确地预测眼部创伤患者的最佳校正视觉敏度 (BCVA). 这些基于PVEP的模型为创伤后的临床评估提供了有前途的工具.
科学领域:
- 眼科医生 眼科 眼科
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 眼部创伤可以显著影响视力敏度.
- 预测稳定视力敏度对于患者管理至关重要.
- 需要客观的评估方法来评估创伤后的视觉功能.
研究的目的:
- 开发使用模式视觉唤起潜力 (PVEP) 的机器学习模型.
- 预测经过治疗的眼部创伤患者的稳定视敏度 (VA).
- 为了评估不同的机器学习算法对这个预测任务的有效性.
主要方法:
- 利用了260名患有单边眼部创伤的患者的数据.
- 采用了四种机器学习算法:SVR,BYR,RFG和XGBoost.
- 训练有素的模型使用眼科参数和PVEP来预测最佳校正视敏度 (BCVA) 至少在受伤后6个月.
主要成果:
- 所有模型都显示出高诊断性能 (准确率为0.78750.8133).
- 在XGBoost模型中,最低的平均绝对误差 (MAE) 为0.1598 logMAR.
- 此外,XGBoost还产生了0.2402 logMAR的最低根平均平方误差 (RMSE) 和0.8959.9的最高精度.
结论:
- 基于PVEP的机器学习模型对BCVA预测有显著的前景.
- 这些模型可以帮助在眼部创伤后对患者进行临床评估.
- 这些发现支持PVEPs在评估创伤患者的视觉结果中的实用性.
