使用基于 fundus imageomics 的机器学习模型预测近视风险
Xiaoling Zhang1,2, Zixun Wang2, Jingtao Yu2
1Handan Eye Hospital (The Third Hospital of Handan), Handan, Hebei, China.
Scientific reports
|December 12, 2025
概括
使用视网膜图像的机器学习模型可以预测儿童近视风险. 最好的模型确定了早期近视风险分层的视网膜关键特征.
科学领域:
- 眼科和计算机成像学
- 医疗保健中的人工智能
背景情况:
- 近视是一个日益严重的全球健康问题,特别是在学龄儿童中.
- 早期预测近视风险对于及时干预和管理至关重要.
- 从彩色底部摄影 (CFP) 中对视网膜特征的定量分析为风险评估提供了潜力.
研究的目的:
- 开发一种机器学习 (ML) 模型,使用CFP数据来预测儿童近视风险.
- 为了确定与近视进展相关的关键视网膜影像学特征.
- 评估各种ML算法对近视风险分层的预测性能.
主要方法:
- 一项涉及2184名6至10岁儿童的横截面研究,采用CFP数据.
- 使用EVisionAI平台提取146个视网膜图像学特征,以及年龄和性别.
- 通过LASSO回归和专家审查进行特征选择,然后使用RF,XGBoost和LightGBM进行模型构建.
主要成果:
- 随机森林 (RF) 模型实现了最高的预测性能 (AUC = 0.798),超过了LightGBM和XGBoost.
- 鉴定到的关键预测因素包括年龄,鼻盘-鼻距离,缩区域和血管参数.
- 射频模型表现出高特异性 (0.80) 和中度灵敏性 (0.59),并进行了强大的校准.
结论:
- 量化CFP衍生的图像学结合ML可以有效地预测学龄儿童近视风险.
- 开发的RF模型利用年龄,视网膜距离和血管特征,显示出显著的临床价值.
- 这种方法为早期近视风险分层和个性化管理策略提供了有前途的工具.
