在中国儿童中快速准确地预测循环折射:机器学习模型的开发和验证
Yujia Liu1,2,3, Jianmin Shang1,2,3, Yuliang Wang1,2,3
1Eye Institute and Department of Ophthalmology, Eye & ENT Hospital, Fudan University, Shanghai, China.
Journal of global health
|October 17, 2025
概括
机器学习模型使用非cycloplegic数据预测循环球等价值 (cSE),为折射误差评估提供了一个实用的解决方案. 需要进一步验证临床使用.
科学领域:
- 眼科医生 眼科 眼科
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 未修正的折射误差影响全球1900万儿童,导致可预防的视力丧失.
- 评估的标准,即循环折射,在资源较低的环境中往往无法获得.
- 机器学习 (ML) 为可访问的折射误差评估提供了一个潜在的解决方案.
研究的目的:
- 开发和验证ML模型,用于预测周期性球体等效 (cSE).
- 通过使用易于获得的非cycloplegic折射数据和眼部生物识别参数来估计cSE.
- 为儿童的折射误差评估提供一种实用且易于使用的方法.
主要方法:
- 使用了3035个儿童眼睛的数据集进行内部验证和两个外部数据集 (160和120只眼睛).
- 采用单个和堆叠的ML模型来根据眼部生物识别和非cycloplegic球体等效来预测cSE.
- 通过回归指标,协议分析和与相关性和协议分析进行外部验证来评估模型性能.
主要成果:
- 堆叠的ML模型实现了0.982的R2和0.360D的平均绝对误差 (MAE).
- 分段模型显示了改善的MAE (范围从0.226D到0.466D),以及预测和cSE之间的更好的一致性.
- 外部验证证明了0.284D和0.306D的MAE的良好表现,尽管缺乏一致意见.
结论:
- 机器学习模型可以从非cycloplegic数据和眼部生物识别来预测cSE,为折射误差估计提供了一种快速而实用的方法.
- 这些模型有望改善准确的折射误差评估的可访问性.
- 进一步的多中心验证和有针对性的过量采样是强有力的临床实施所必需的.
