#机器学习

PubMed Ophthalmology #1/12

糖尿病视网膜病变早期诊断的自动化系统

该研究旨在开发一种基于眼底图像的自动化诊断系统，用于早期检测糖尿病视网膜病变（DR）。通过识别渗出物、出血和微动脉瘤等特征，结合小波变换边缘增强、高斯混合模型聚类以及机器学习算法（如随机森林分类器和多层感知机神经网络）进行特征提取和分类。研究使用了IDRiD数据集和Kaggle数据集中的眼底图像，结果显示，基于随机森林的分类系统在检测DR病灶方面达到了95.08%的敏感性、86.67%的特异性和95.20%的整体准确性。这一方法为大规模筛查提供了高精度、自动化且可扩展的解决方案，尤其适用于眼科专业资源有限的地区。

#糖尿病视网膜病变#自动化诊断#机器学习

PubMed Ophthalmology #2/12

基于纹理分析的角膜动态检测技术在早期圆锥角膜诊断中的应用

该研究提出了一种名为CVS-omics的放射组学框架，利用Corvis ST成像和机器学习技术，以实现对早期圆锥角膜（FFKC）的精准识别。研究纳入了410只眼睛的数据，包括265只正常眼和145只FFKC眼。通过提取三个关键变形阶段（初始状态、第一次压平和最大变形）的纹理特征，并训练三种机器学习模型（随机森林、C5.0和XGBoost），最终在82只眼睛上进行了测试。结果显示，CVS-omics随机森林模型表现出卓越的诊断性能（AUC = 0.989，敏感性 = 0.931，特异性 = 0.962，准确性 = 0.951），显著优于传统的生物力学参数（最佳AUC = 0.764）。此外，基于三个变形阶段特征的模型比单一阶段特征的模型具有更高的诊断准确性。其他模型也展示了动态放射组学特征的高度泛化能力（XGBoost和C5.0 AUC > 0.83）。研究表明，CVS-omics能够有效检测FFKC眼中的细微特征变化，其准确度远超传统方法。

#角膜动态检测#放射组学#机器学习

PubMed Ophthalmology #3/12

机器学习优化甲亢放射性碘治疗

针对Graves'病（GH）的放射性碘（RAI）治疗尽管是标准疗法，但因个体反应复杂导致失败率较高。传统固定剂量或简单计算剂量方法难以考虑临床特征间的非线性相互作用。研究通过回顾分析1,292名患者的数据，采用逐步回归和多种机器学习算法，最终确定了九个最优预测因子，并发现随机森林模型在预测RAI疗效方面表现最佳，AUC达到0.950，Brier得分为0.067。SHAP分析进一步确认了RAIU 3h、FT4、年龄和甲状腺重量是最具影响力的特征。该框架为个性化精准治疗提供了有力工具。

#机器学习#放射性碘治疗#Graves'病

PubMed Ophthalmology #4/12

术中OCT预测ICL植入后拱高：机器学习模型的建立与应用

该研究旨在通过术中光学相干断层扫描（iOCT）数据，开发一种机器学习（ML）模型，以预测ICL植入后的拱高，并指导实时调整ICL位置以优化拱高结果。研究在陕西省眼科医院等机构进行，前瞻性地收集了106名患者（158只眼）的数据。术后拱高通过前段OCT在术后1天、1周和1个月随访时评估。随机森林算法在多个误差阈值下表现出色，平均绝对误差（MAE）为106.48 ± 19.23 μm，均方根误差（RMSE）为141.37 ± 24.87 μm。预测准确性在不同误差阈值下分别为62.9%（±50 μm）、85.9%（±100 μm）、94.9%（±150 μm）、97.2%（±200 μm）和98.9%（±250 μm）。研究表明，iOCT能够准确测量术中拱高，并可靠预测术后拱高，从而提供了一种客观、数据驱动的方法来优化ICL手术中的位置调整。

#ICL手术#术中OCT#机器学习

PubMed Ophthalmology #5/12

机器学习在遗传性视网膜疾病中的应用评估

遗传性视网膜疾病（IRDs）的诊断中，对于框内插入和删除变异（indels）的致病性预测标准尚不成熟。本研究系统评估了四种机器学习工具（CADD、FATHMM-indel、VEST4 和 MetaRNN-indel）在IRD患者队列中的表现。结果显示，MetaRNN-indel 在整体性能上优于其他工具。进一步将MetaRNN-indel应用于1013名未确诊的IRD患者，成功识别出两名患者的可能致病性变异，并通过临床表型确认。这些发现表明，通过适当的评估和调优，现有的机器学习工具可以可靠地预测框内indels的致病性。

#遗传性视网膜疾病#机器学习#基因变异

PubMed Ophthalmology #6/12

自动化压力测试确保神经刺激安全

该研究提出了一种名为Fuzzing的自动化压力测试方法，用于评估基于机器学习的神经刺激系统的安全性。通过模拟各种极端和异常输入条件，研究人员能够检测系统在不同情况下的响应，从而识别潜在的安全隐患。这种方法不仅提高了神经刺激技术的安全性，还为未来类似系统的开发提供了重要的参考框架。

#神经刺激#机器学习#安全性

PubMed Ophthalmology #7/12

多光谱图像相位分析与机器学习在视网膜健康评估中的应用

该研究探讨了多光谱图像相位分析结合机器学习方法在区分健康和病变视网膜方面的有效性。结果表明，多光谱图像的相位分析在分类性能上优于平均反射值，是一种有效的降维技术，能够提取关键特征。第一谐波与Z-score标准化结合时效果最佳。为了比较多光谱图像与传统彩色眼底相机的效果，研究者从多光谱图像中提取红、绿、蓝三个光谱带并合成RGB样图像进行相同分析。结果显示，多光谱图像的相位分析比RGB样图像的相位分析提供了更准确的分类结果。不同感兴趣区域的分析显示，使用整个视网膜进行分类性能最佳，可能是因为疾病进展到影响整个眼底。这些发现表明，多光谱图像相位分析与机器学习是视网膜疾病分类的强大工具。

#多光谱成像#视网膜疾病#机器学习

PubMed Ophthalmology #8/12

OCT与机器学习在儿童神经纤维瘤病1型视力异常检测中的应用

神经纤维瘤病1型（NF-1）是一种遗传性疾病，常导致儿童视力丧失。光学相干断层扫描（OCT）提供非侵入性、高分辨率的视网膜和视神经结构成像，但将其数据转化为临床预测工具仍具挑战。本研究通过回顾性纵向队列分析了168名3至19岁NF-1患儿的515次OCT测量结果，评估了多种机器学习模型识别当前视力异常的能力。结果显示，平衡随机森林模型表现最佳（AUC=0.82；敏感性=0.66）。视网膜神经纤维层（RNFL）和神经节细胞层（GCL+）变薄是视力异常最强的预测因子。基于总黄斑和神经层厚度的数据驱动截断值提供了明确的临床解释阈值，而累积“k-out-of-n”分析表明，结合多个OCT异常可增强风险分层。这些发现突显了可解释机器学习将OCT数据转化为可解释且具有临床操作性的工具的潜力，用于早期检测和管理NF-1患儿的视力异常。

#OCT#机器学习#NF-1 +1

PubMed Ophthalmology #9/12

机器学习预测肝癌免疫治疗效果

该研究通过回顾性队列分析，利用高级机器学习模型预测接受阿特珠单抗联合贝伐珠单抗治疗的晚期肝细胞癌患者的总生存期和无进展生存期。研究纳入了来自8个国家24个中心的774名患者，使用支持向量机、神经网络和朴素贝叶斯等算法进行训练。结果显示，集成模型在外部验证队列中显著优于传统临床生物标志物，能够有效分层患者并指导个性化治疗策略。

#机器学习#肝细胞癌#免疫治疗

PubMed Ophthalmology #10/12

2026年3月30日

可解释机器学习预测青光眼患者眼压

青光眼是一种慢性神经退行性疾病，治疗目标是降低眼内压。然而，一些患者对治疗反应不佳，眼内压仍然较高，导致视力持续下降。研究使用可解释的机器学习技术，通过英国生物银行的数据，预测接受药物治疗的青光眼患者的眼内压。研究发现，XGBoost模型在综合数据集上表现最佳，AUC为0.708。胰岛素样生长因子1（IGF-1）、低密度脂蛋白（LDL）和淋巴细胞计数是最重要的特征。

#青光眼#机器学习#个性化医疗

PubMed Ophthalmology #11/12

2026年3月30日

糖尿病视网膜病变诊断：转录组数据与DNA甲基化数据的比较

糖尿病视网膜病变是糖尿病的一种严重并发症，可能导致视力受损甚至失明。尽管可以通过扩瞳眼底检查进行诊断，但当前技术的进步使得利用多种数字数据源如医学影像和组学数据进行更准确的诊断成为可能。本研究使用了三种不同的组学数据（DNA甲基化、总RNA和小RNA），结合不同的机器学习算法，发现使用总RNA数据和朴素贝叶斯算法的模型在诊断准确性上表现最佳，达到0.9625±0.05。

#糖尿病视网膜病变#组学数据#机器学习

Nature - Eye Diseases #12/12

2026年3月30日

基因表达与机器学习揭示近视进展中的角膜生物标志物

一项发表在《自然-眼病》上的研究通过结合基因表达和机器学习技术，发现了与氧化应激相关的角膜生物标志物，这些标志物可能在近视进展中起重要作用。该研究为理解近视的生物学机制提供了新的视角，并可能为未来的治疗策略提供潜在靶点。

#近视#基因表达#机器学习