基于机器学习的预测持久性糖尿病黄斑,使用来自OCT的结构生物标志物和临床特征
Guangping Gao1, Yuxi Chen2, Xiaoliang Zhang1
1Department of Ophthalmology, The First Affiliated Hospital of Naval Medical University (Changhai Hospital), Naval Medical University, 168 Changhai Road, Yangpu District, Shanghai, China.
European journal of medical research
|February 21, 2026
概括
机器学习模型整合光连贯断层扫描 (OCT) 生物标志物和临床数据可以预测抗VEGF治疗后持续的糖尿病黄斑 (DME). 关键预测因素包括糖尿病的持续时间,圆形区域/外部限制膜的破坏,以及高反射焦点.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 持续的糖尿病黄斑 (DME) 是糖尿病视网膜病变中视力丧失的主要原因,通常对抗VEGF治疗无反应.
- 大约30%-40%的患者对标准抗VEGF治疗反应不佳,导致疾病负担增加.
- 早期识别高风险患者对于优化治疗策略和尽量减少干预至关重要.
研究的目的:
- 开发和比较用于预测持久性DME的机器学习模型.
- 整合光连贯断层扫描 (OCT) 衍生生物标志物与临床特征,以提高预测.
- 确定抗VEGF治疗后持续性DME的关键预测因素.
主要方法:
- 对339名用抗VEGF注射治疗的DME患者的回顾性分析.
- 使用基线临床和OCT数据构建和比较八个预测模型 (逻辑回归,LASSO,XGBoost,随机森林,SVM).
- 使用AUC,准确性,精度,回忆,F1得分,DeLong的测试,DCA和SHAP值来评估模型性能.
主要成果:
- 综合了OCT生物标志物和临床特征的多模式模型优于单模式模型.
- 支持矢量机 (SVM),XGBoost和随机森林 (RF) 模型显示出高预测精度 (AUC 0.865,0.819,0.812).
- SHAP分析确定了糖尿病持续时间,圆形区域 (EZ) /外部限制膜 (ELM) 破坏以及高反射焦点 (HF) 作为重要的预测因素.
结论:
- 机器学习模型整合了OCT生物标志物和临床数据,为持久性DME提供了更高的预测准确度.
- 糖尿病持续时间,EZ/ELM中断和HF是通过SHAP分析确定的关键预测因素.
- SVM,XGBoost和RF模型在持续性DME中显示出个性化治疗规划的前景.
