基于机器学习的分类和动态分析的膜脂质层使用智能手机基于干扰测量:一个试点研究研究.
Yoshiro Okazaki1, Hiromichi Okazaki, Mamoru Iwabuchi
1Faculty of Human Sciences (Y.O., H.O., M.I.), Waseda University, Tokorozawa, Japan; and Department of Ophthalmology (N.Y.), Kyoto Prefectural University of Medicine, Kyoto, Japan.
Eye & contact lens
|March 5, 2026
概括
一个新的机器学习模型从智能手机图像中准确地分类了膜脂层 (TFLL) 模式,从而实现了针对个性化的眼睛护理和家庭干眼管理的动态监控.
科学领域:
- 眼科医生 眼科 眼科
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
背景情况:
- 眼膜脂层 (TFLL) 在保持眼睛表面健康方面起着至关重要的作用.
- 目前用于TFLL评估的方法通常仅限于临床环境,限制了动态监测.
- 基于智能手机的干扰测量为可访问的,自我获得的眼睛成像提供了潜在的途径.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于使用基于智能手机的干扰仪 (SBI) 图像对TFLL模式进行分类.
- 评估模型在传统临床环境之外进行动态TFLL监测的能力.
- 评估模型在分类TFLL模式和估计TFLL面积方面的准确性.
主要方法:
- 一名参与者使用基于智能手机的干扰仪 (SBI) 获取了眼膜脂层 (TFLL) 视频.
- 图像被处理,89,033个补丁被注释为ML模型训练的四个类.
- 机器学习模型使用了Lab颜色和灰度共发生矩阵纹理特征,并采用了交叉验证方案.
主要成果:
- 在全天折叠交叉验证中,ML模型实现了0.853的精度和0.755的宏F1得分.
- 来自ML模型的TFLL面积估计显示与手动测量有很强的相关性 (r=0.969,P<0.001).
- 该模型成功地捕获了闪后的一致的TFLL扩张动态.
结论:
- 开发的ML模型在从SBI自主获取的图像中对TFLL模式进行分类时表现出很好的准确性.
- 该模型可以有效地复制典型的TFLL闪后传播动态.
- 这项技术有可能在个性化眼睛护理和家庭干眼管理中进行动态监测.
