视网膜特征作为高近视的预测指标:可解释的多机器学习模型的见解.
Haohan Zou1,2,3, Jing Liu4, Shenda Shi5
1Tianjin Eye Hospital, Tianjin, China.
Frontiers in bioengineering and biotechnology
|October 29, 2025
概括
机器学习模型可以使用视网膜特征预测高近视 (HM). 关键因素包括形密度和血管参数,具体的值表明风险.
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:
- 高近视 (HM) 构成对视力威胁状况的重大风险.
- 准确预测HM对于早期干预和管理至关重要.
- 视网膜结构特征越来越多地被认为是HM的潜在生物标志物.
研究的目的:
- 评估多个机器学习 (ML) 算法在基于视网膜特征的高近视 (HM) 预测方面的有效性.
- 开发一个可解释的框架,以了解视网膜参数对HM预测的贡献.
主要方法:
- 使用深度语义细分网络,从2981名患者的眼睛 (1191名HM,1790名非HM) 中提取了定量视网膜结构参数.
- 训练了五种不同的ML算法,并对其预测性能进行了评估.
- 使用夏普利添加式解释 (SHAP) 方法分析特征重要性和模型可解释性.
主要成果:
- 极端梯度增强 (XGBoost) 模型表现出卓越的性能,达到0.81的精度和0.87.87的AUC.
- 鉴定出了12个关键特征,包括形密度,血管参数,副形缩特征和光盘测量.
- 特定的形密度,帕拉帕皮拉底缩宽度/面积和各种血管/光盘参数的具体值与增加或减少HM风险有关.
结论:
- 该XGBoost模型,利用视网膜特征,有效地预测高近视.
- SHAP分析为特定视网膜特征的预测能力提供了关键的见解,提高了临床适用性.
