基于神经网络的术后视觉结果的预测,继二级儿科眼内透镜植入后
Andrew Farah1, Raheem Remtulla2, Robert K Koenekoop3,4
1Faculty of Medicine and Health Sciences, McGill University, Montreal, QC H3G 2M1, Canada.
Children (Basel, Switzerland)
|October 29, 2025
概括
一个机器学习的神经网络模型准确地预测了在眼内镜片 (IOL) 植入后患有先天性白内障的儿童的视觉结果. 这种人工智能工具可以帮助指导儿科眼科护理中IOL手术的最佳时间.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 儿科医学 儿科医学
背景情况:
- 先天性白内障在预测儿童眼内透镜 (IOL) 植入术后视觉结果方面存在挑战.
- 由于儿科眼睛的发育变化和测量不准确性,IOL插入的最佳时间是复杂的.
研究的目的:
- 开发和验证一个概念验证机器学习 (ML) 神经网络模型.
- 在患有先天性白内障的儿科患者中预测术后视力敏度结果.
- 指导儿童眼内镜片 (IOL) 植入的最佳时间.
主要方法:
- 对110名患有先天性白内障的儿童进行IOL植入的数据集的回顾性分析.
- 使用 MATLAB 开发神经网络模型,使用 10 个节点的隐藏层和缩放的并联梯度算法.
- 输入变量包括人口和临床数据;目标是视力敏度>20/40. 通过交叉损失,灵敏度,特异性和精度评估的性能.
主要成果:
- 神经网络在测试组中实现了高性能指标:准确率为88.2%,灵敏度为88.9%,特异性为87.5%.
- 接收器操作特征 (ROC) 曲线分析显示了强大的预测能力,曲线下的面积 (AUC) 值在数据集中从0.885到0.942不等.
- 该模型有效地预测了成功的视觉结果 (视觉敏度>20/40).
结论:
- 开发的神经网络模型表明,在儿科先天性白内障病例中,在IOL植入后预测视觉结果时,其临床实用性具有显著的潜力.
- 这项研究为儿童白内障管理中个性化治疗策略提供了基础.
- 需要对各种数据集进行进一步的研究,以完善和在临床实践中实施这种预测模型.
