论文部分内容阅读
第一部分:基于多重线性回归分析预测有晶状体眼后房型人工晶状体植入术后拱高研究目的:探讨有晶状体眼后房型人工晶状体（ICL V4c）植入术前参数与术后1周拱高间的相关性,并构建预测公式。方法:回顾性研究。本研究纳入2019年9月至2020年12月北京协和医院眼科行ICL V4c植入术患者300例（300只眼）,随机分为公式建立组和公式验证组,各150例（150只眼）。所有患者均接受全面眼科检查,以获取眼轴长度（AL）、晶状体厚度（LT）、中央角膜厚度（CCT）、水平角膜直径（WTW）、前房深度（ACD）、前房宽度（ACW）、房角到房角距离（ATA）、晶状体矢高（CLR）、瞳孔直径（PD）、房角相关参数、ICL V4c等效球镜度数（MRSE）及ICL V4c尺寸,同时于术后1周测量拱高。相关性分析采用Pearson相关检验,多因素分析采用多重线性回归,验证部分采用平均绝对误差（MAE）、中位数绝对误差（MedAE）、根均方误差（MRSE）及Bland-Altman图对预测公式进行评价。结果:ACD对ICLV4c植入术后1周拱高影响最大,其次为ICLV4c尺寸及ATA,根据偏回归系数得到预测公式,即ICL V4c植入术后1周拱高（mm）=-1.279+0.291 × ACD（mm）+ 0.210 × ICL V4c尺寸（mm）-0.144 × ATA（mm）（R2=0.661）,经公式验证组分析术后拱高平均预测值为628.10μm,MAE为135.09μm,MedAE 为 130.42μm,MRSE 为 157.46μm,Bland-Altman 图显示散点基本落于 95%置信区间范围内,提示预测拱高与实际拱高一致性良好。结论:ACD、ICL V4c尺寸及ATA是影响和预测术后1周拱高的相关因素,且通过公式计算的预测值与实际值具有较好的一致性。第二部分:基于传统机器学习模型预测有晶状体眼后房型人工晶状体植入术后拱高研究目的:探讨传统机器学习模型在预测有晶状体眼后房型人工晶状体（ICL V4c）植入术后拱高的可行性,并提出预测性能最佳的机器学习模型。方法:本研究纳入2019年9月至2022年1月北京协和医院眼科行ICL V4c植入术患者707例（707只眼）。经低方差移除法、递归特征消除法、嵌入式选择法及医生经验保留常规特征法筛选输入特征,采用随机森林和XGBoost算法构建模型对ICL V4c植入术后1周拱高进行预测,同时对既往研究提出的机器学习模型进行复现,根据平均绝对误差（MAE）、中位平均绝对误差（MedAE）、根均方误差（MRSE）、对称绝对百分比误差（SMAPE）及Bland-Altman图对模型的预测性能进行比较。结果:数据集划分为训练集180例（180只眼）和测试集527例（527只眼）,根据医生经验筛选特征作为输入,其模型训练质量最佳。随机森林模型和XGBoost模型预测误差值均小于既往研究提出的机器学习模型的训练结果。其中,XGBoost模型的预测误差略小于随机森林模型,前者MAE、MedAE、RMSE及SMAPE均值分别为 121.70μm、107.57μm、148.87μm 及 19.13%,后者 MAE、MedAE、RMSE 及 SMAPE 均值分别为 123.13μm、105.89μm、152.48μm 19.33%,二者Bland-Altman图均显示预测拱高值和实际拱高值具有较好一致性,但XGBoost模型95%置信区间范围略小,为-307.12μm～256.59μm。结论:随机森林算法和XGBoost算法构建的模型均可用于ICL V4c植入术后拱高的预测,其中XGBoost模型的预测性能更佳。第三部分:基于深度学习模型预测有晶状体眼后房型人工晶状体植入术后拱高研究目的:探讨深度学习模型在预测有晶状体眼后房型人工晶状体（ICL V4c）植入术后拱高的可行性,并提出预测性能最佳的深度学习模型。方法:本研究收集707例（707只）ICL V4c植入术后1周的AS-OCT图像。采用ResNet50、MobileNet 和 Swin Transformer-B 算法构建模型对 ICL V4c 植入术后 1 周拱高进行预测,采用平均绝对误差（MAE）、中位平均绝对误差（MedAE）、根均方误差（MRSE）、对称绝对百分比误差（SMAPE）对模型的预测性能进行比较,同时采用配对t检验、Pearson相关分析统计各模型预测拱高值与实际拱高值间的差异性和相关性。结果:数据集划分为训练集180例（180只眼）和测试集527例（527只眼）。ResNet50模型和Swin Transformer-B模型的预测性相似,二者预测误差均小于MobileNet 模型。ResNet50 模型 MAE、MedAE、RMSE 及 SMAPE 均值分别为127.02μm、107.53μm、156.54μm 及 20.01%,Swin Transformer-B 模型的 MAE、MedAE、RMSE 及 SMAPE 均值分别为 126.97μm、108.30μm、156.61μm 及 20.00%。配对t检验结果提示上述三种模型的预测拱高值和实际拱高值间无明显统计学差异（P=0.656,0.829 及 0.378）,但 Pearson 相关检验结果提示 ResNet50 和 Swin Transformer-B模型的预测拱高值与实际拱高值存在相关关系（P＜0.001）,而MobileNet模型的预测拱高值与实际拱高值间无明显相关关系（P=0.829）。最后根据MAE值选出Swin Transformer-B模型,与本文提出的多重线性回归分析预测公式及XGBoost模型进行比较,XGBoost模型MAE值（121.70μm）＜Swin Transformer-B模型MAE值（126.97μm）＜多重线性回归公式MAE值（135.09μm）结论:基于ResNet算法和Swin Transformer-B算法构建的深度学习模型均可应用于ICL V4c植入术后拱高的预测研究,未来可通过扩大样本量以进一步提高模型性能。