基于视光检查数据的角膜塑形镜验配机器学习模型研究

作者：张清桃; 谢培英^*; 杨丽娜; 周建兰

来源：中华眼科杂志, 2019, 55(02).

• 接触镜
• 视力测定法
• 角膜地形图
• 机器学习
• 数据挖掘

目的探讨采用根据患者数据制作的角膜塑形镜验配模型提高处方准确率和工作效率的可行性。方法提取750例(1 467只眼)配戴角膜塑形镜的近视眼患者(男性362例, 女性388例;年龄中位数11岁)的1 467条医学验光检查数据及角膜地形图检查数据, 通过随机逻辑回归模型、决策树、逐步回归分析法筛选处方变量影响因子, 并将数据全集通过Python语言中的随机函数划分为训练集(1 173, 80.0%)和测试集(294条, 20.0%), 选用逻辑回归和多元线性回归分析法应用于训练集建立拟合模型, 绘制受试者工作特征曲线(ROC曲线)确定逻辑回归模型的最佳阈值(1.0), 并将模型用于测试集和全集的验证, 通过混淆矩阵、准确度等综合评估指标的横向和纵向对比, 预测值与真值Bland-Altman分析, 最终验证模型的有效性。结果选择Kf(与Ks垂直模拟角膜曲率读数)-FK(平K设计)、Ks(模拟最大角膜曲率读数)-SK(陡K设计)为模型拟合因变量(放大结果值的变异权重), 通过逐步回归分析得出Kf-FK影响变量因子为Kf(P=0.010)、Emean(偏心率平均值)(P=0.027)、CYL(柱镜度数)(P<0.001)。转化后的拟合函数:FK=6.23+0.866kf-1.69Emean+0.16CYL, 验证拟合优度达到81%(r2=0.95), Ks-SK影响变量为Ks(P<0.001)、CYL(P<0.001)、Emean(P<0.001)。转化后拟合函数:SK=6.84+0.862ks-0.28Emean-1.3CYL, 验证拟合优度达到80%(r2=0.93), 镜片设计(Design)选用逻辑回归、决策树贡献度得分筛选影响变量因子:KS(P<0.001)、CYL(P<0.001)。逻辑回归函数为Design=-45.7+0.82Ks+6.027CYL, 验证拟合优度为87%。结论本研究得出的拟合模型量化了专家验配经验, 可以指导验配人员快速、准确地出具角膜塑形镜验配处方, 实现了大数据决策辅助角膜塑形镜验配。(中华眼科杂志, 2019, 55:105-110)

• 单位
  北京远程视觉科技有限公司