基于光学偏差和机器学习的快速准确的视力敏度预测.
A Sierra1, I Baoud-Ould-Haddi2, S Fernández-Núñez3
1Departamento de Óptica, Facultad de Ciencias Físicas, Universidad Complutense de Madrid, Plaza de Ciencias 1, 28040, Madrid, Spain. aguesier@ucm.es.
Scientific reports
|December 19, 2025
概括
我们开发了机器学习模型来预测视觉敏度 (VA). LSBoost回归树实现了最高的准确性,而XGBoost提供了更快的计算,使它们适合视觉补偿设计.
科学领域:
- 眼科医生 眼科 眼科
- 计算机科学 计算机科学
- 机器学习 机器学习
背景情况:
- 视敏度 (VA) 预测对于眼睛护理至关重要.
- 目前的方法可能缺乏效率或准确性.
- 机器学习为改善VA预测提供了潜力.
研究的目的:
- 开发和评估用于预测视觉敏度的机器学习模型.
- 为了比较回归树 (LSBoost,XGBoost) 和用于VA预测的神经网络的性能.
主要方法:
- 提出了三个机器学习模型:LSBoost,XGBoost和一个神经网络.
- 数据包括来自135名受试者的泽尼克系数,适应幅度,年龄和VA.
- 模型模拟了用于VA估计的临床光型识别.
主要成果:
- LSBoost 显示出卓越的预测准确性,特别是在适应数据方面.
- XGBoost提供了更快的计算时间,对大型数据集有利.
- 神经网络显示高光型识别但较低的VA预测准确性.
结论:
- 回归树模型,特别是LSBoost,非常适合使用表格化临床数据进行VA预测.
- LSBoost在准确度方面表现出色,而XGBoost则提供了计算效率.
- 机器学习为推进视力敏度评估提供了一个有希望的途径.


