2016年,GoogleAlphaGo击败了韩国围棋九段李世石,机器学习的成果给了人们巨大的冲击。机器学习在生活中的应用随处可见,小到我们平时听歌购物会有符合用户喜好的个性推荐,大到天气预报地震检测等对未知规律的预测,机器学习给传统行业带来了革新,医学领域也不例外。早期的机器学习在医学诊断的应用有肿瘤诊断、脑图像分析等。2016年11月,Google公司使用深度学习对糖尿病视网膜病变进行早期筛查,其表现远胜顶级专家。圆锥角膜是一种进行性的角膜疾病,通常起源于青春期,其早期表现为快速增长的高度近视和不规则散光,视力严重下降,但仍可通过RGP矫正视力。中后期角膜后弹力层破裂,房水侵入,产生瘢痕,视力造成永久性损伤,无法矫正,只能进行角膜移植。较早发现并诊断圆锥角膜可控制病情,避免角膜移植。此外,广受欢迎的治疗近视的准分子激光手术也需排查圆锥角膜。然而,目前圆锥角膜的早期诊断较为困难,一种好的圆锥角膜和亚临床圆锥角膜的检测方法需求迫切。本文将机器学习的分类方法应用于圆锥角膜的诊断,致力于解决圆锥角膜诊断困难的问题。首先提出了一种系统地采集样本特征数据和标签数据的方法,在此基础上,进行了二分类实验分析和三分类实验分析,提出了具有较高敏感度的圆锥角膜和亚临床圆锥角膜的检测方法,验证了各类特征对圆锥角膜和亚临床圆锥角膜检测的敏感度。最后给出了圆锥角膜的诊断方法在实际中的两种应用场景。本文的主要贡献在以下四个方面:(1)给出了一种系统地采集样本数据的方法,这包括表征疾病特性的样本特征数据和作为样本标签的医生对样本的诊断。样本标签由医生的电子诊断系统获取,样本特征数据由眼前节分析仪Oculyzer获取。数据量较大的波前像差数据,则通过与数字模板的匹配自动从图片中提取。(2)提出了将样本分为正常眼和圆锥角膜的二分类方法。使用SVM作为模型,敏感度和特异性作为模型性能度量指标,十次十折交叉验证检验模型稳定性,最优可以达到敏感度99.20%和特异性98.26%。模型选用了线性核函数和RBF核函数分别对各类特征极其组合特征对圆锥角膜检测的敏感度做了研究。总体来说,RBF核函数表现出比线性核函数更好的敏感度。各类特征对检测圆锥角膜的敏感度均为80%以上,说明了这些特征都对检测圆锥角膜做出贡献。其中,角膜高度、角膜厚度和波前像差及其组合特征表现出最优异的性能。(3)提出了将样本分为三类,即正常眼、亚临床圆锥角膜和圆锥角膜,从而检测出亚临床圆锥角膜和圆锥角膜的方法。在基本模型中,首先训练三个One-vs-All的SVM二分类器,使其学习到每一类区别于其他类的特征,然后将这三个二分类器的分类结果由新的决策器整合,得到最终的三分类结果。此外,改进模型使用Adaboost对三个二分类器进行增强,最终能够以较好的敏感度检测早期患者和典型患者。各类特征中像差特征与角膜高度特征在检测亚临床圆锥角膜时有较高的敏感度,两个特征组合之后效果进一步得到了提升。(4)给出了两种圆锥角膜的辅助诊断的应用前景。其一是应用于个性化疾病管理系统,帮助患者了解自身病情及选择适合自己的治疗方式。其二是青少年圆锥角膜的大范围筛查,在为青少年检测亚临床圆锥角膜的同时,对圆锥角膜的辅助诊断方法起到反馈的作用。