多模式深度学习用于预测术后的,并使用AS-OCT和超声波生物显微镜图像选择可植入的拼接镜片大小
1From the Department of Ophthalmology, West China Hospital, Sichuan University, Chengdu, Sichuan, China (Wan, Gong, Wei, Tang, Deng, Ma).
Journal of cataract and refractive surgery
|September 10, 2025
概括
一个新的深度学习模型准确地预测了手术后的顶高度,并使用结合的成像和临床数据选择了可植入的粘合镜 (ICL) 尺寸,改善了手术结果.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 准确预测手术后的顶高度和适当的植入式结合镜片 (ICL) 尺寸选择对于成功的折射手术至关重要.
- 目前的方法可能在精度和通用性方面存在局限性.
研究的目的:
- 开发和验证一种多式联网深度学习模型,用于预测手术后的顶高度.
- 通过前段光学连贯断层扫描 (AS-OCT),超声波生物显微镜 (UBM) 和临床数据,优化植入式结合镜片 (ICL) 尺寸选择.
主要方法:
- 使用ResNet50开发了一个深度学习模型,用于从AS-OCT和UBM图像中提取特征.
- 机器学习算法 (LightGBM,XGBoost,RF) 用提取的特征和临床数据进行训练,用于预测和选择任务.
- 模型性能使用包括MAE,RMSE,R2,精度,灵敏度,特异性和精度等指标进行验证.
主要成果:
- 开发的模型在预测术后顶高度方面表现强 (RMSE < 150μm,MAE < 120μm,R2 ≈ 0.4).
- 在ICL尺寸选择中,LightGBM模型实现了高精度 (0.904),优于传统方法.
- 该模型在ICL大小选择中的表现接近经验丰富的临床医生的表现.
结论:
- 多式联机深度学习模型显著提高了顶高度预测和ICL V4c植入的ICL尺寸选择的准确性.
- 这种方法克服了与单模数据分析相关的局限性.
- 未来的研究应该专注于更大的样本大小和多中心验证,以获得更广泛的临床应用.
