3D体积分析在预测视网膜膜手术后患者的视力恢复方面优于2D线性测量方法。这是一项探索性的机器学习研究

《Graefe's Archive for Clinical and Experimental Ophthalmology》：3D volumetric analysis outperforms 2D linear measurements in predicting vision after surgery for epiretinal membranes. An exploratory machine learning study

视网膜脱离术前生物标志物分析：机器学习揭示三维视网膜体积对术后视力预测价值优于二维参数。

　　

摘要

目的

分析术前生物标志物，结合并比较具有高多重共线性的二维（2D）和三维（3D）测量数据，以预测受视网膜前膜（ERMs）影响的眼睛在手术后的功能结果。

方法

通过应用机器学习算法（XGBoost），该算法擅长特征选择和处理多重共线性，利用临床和解剖学术前参数（包括视网膜的二维（线性）和三维（体积）测量数据），开发了一个用于预测术后最佳矫正视力（BCVA）的模型。研究了术前参数（包括临床特征以及基于OCT的视网膜线性和体积测量数据）与受ERMs影响的眼睛术后BCVA之间的关联。

结果

本研究共纳入86只眼睛。在模型中，黄斑区视网膜体积是预测术后BCVA的最强指标（SHAP值0.0623logMAR）。此外，外层和内层视网膜的体积（SHAP值分别为0.0342和0.0221logMAR）比二维测量数据以及术前BCVA和内黄斑层异位情况对最终视力的预测价值更高。对于最重要的特征，绘制了特征依赖性图表，以突出显示非线性关系。

结论

通过使用机器学习算法，我们证明了在预测ERMs手术后的视觉结果方面，三维模型比传统的二维参数更具实用性，并对先前关于某些线性参数对ERMs手术后视觉结果影响的假设提出了质疑。