机器学习有助于提高诊断能力的亚临床使用Scheimpflug圆锥形角膜,OCT成像模式

目的

开发一个自动分类系统使用机器学习分类器来区分圆锥形角膜患者临床上未受影响的眼睛从一个正常的控制人口的基础上结合Scheimpflug相机图像和ultra-high-resolution光学相干断层扫描(UHR-OCT)成像数据。

方法

共有121只眼睛从121名参与者被2角膜专家分类分为3组:正常(50眼),与(38眼)圆锥角膜或亚临床圆锥形角膜(33眼)。所有的目光都Scheimpflug照相机和UHR-OCT成像。从图像数据中提取角膜形态学特征。神经网络用于训练模型是基于这些特性与亚临床区分眼睛圆锥形角膜从正常的眼睛。费雪的得分是用于每个特性的可微的力量。接受者操作特征(ROC)曲线计算得到ROC曲线下的面积(auc)。

结果

发达分类模型用于组合来自Scheimpflug相机的所有功能和UHR-OCT大大提高了可微的力量与亚临床区分正常的眼睛和眼睛圆锥形角膜(AUC = 0.93)。厚度轮廓的变化在每个个体在角膜上皮提取UHR-OCT成像排名最高的区分与亚临床的眼睛圆锥形角膜从正常的眼睛。

结论

自动分类系统使用机器学习的基础上,结合Scheimpflug相机数据和UHR-OCT成像数据显示性能优良与亚临床识别眼睛角膜从正常的眼睛。上皮的特性从OCT图像中提取被歧视的最有价值的过程。这个分类系统有潜力提高亚临床的可微的力量圆锥形角膜和角膜筛选的效率。

准确识别圆锥形角膜(KC)的最早阶段是主要关心在角膜屈光手术术前检查有几个原因。眼角膜和未被发现的KC是已知的高度与医源性角膜扩张有关,这是最严重和不可逆转的并发症在激光张大时(LASIK) [1,2]。此外,与角膜交联等治疗方法的可用性,早期检测也可以导致推迟或停止KC的发展(3]。然而,KC识别可以挑战临床处于初期阶段,因为视力仍然不错,没有特定的角膜发现。

圆锥形角膜可以定义良好且容易通过裂隙灯活组织镜检查发现和角膜的平静的基于映像的地形4]。然而,亚临床KC的定义本身就是模糊的(5]。从传统的成像方法获得的信息是有限的,并利用这些方法,确定亚临床的诊断能力不足KC。最近,新的眼科成像技术已被应用于筛选KC的最早阶段(6,7]。在这些模式中,Scheimpflug-based相机成像和光谱域光学相干断层扫描(SD-OCT)已经被广泛研究的方法。这两种方法提供了独特的成像优势识别早期角膜的变化(例如,深度信息、角膜微观结构等)和已被证明提供检测亚临床诊断价值KC [5]。黄等人报道直接统计方法使用混合地形变量从Scheimpflug-based相机和SD-OCT达到高歧视(8]。然而,在临床的设置,从这些工具结合machine-derived参数通常是为临床医生解释太复杂了。

可能可以解决这一困境出现的人工智能(即。机器学习)。使用人工智能的角膜地形有十多年的历史9]。然而,早期的应用机器学习在角膜地形局限于单个机器或几个指标来源于相同的图像;因此,这些模型来检测亚临床的诊断能力KC依赖大样本大小(10,11,12]。联合断层扫描仪器的良好的性能在先前的研究中,一个自动筛选方法使用机器学习可能会大大帮助临床医师分类亚临床KC。

在这项研究中,我们提出一个自动分类系统使用的组合Scheimpflug相机和UHR-OCT成像参数基于机器学习的分类器来区分人口与亚临床角膜正常控制人口。我们报告的机器learning-derived分类器可以提供宝贵的识别亚临床KC。此外,结合特性的多台机器更好的性能比单一机器证明获取功能。

这项研究是眼科医院的伦理委员会批准温州医科大学(ID: y - 2015003)和遵循赫尔辛基宣言的原则。从每个主题得到书面知情同意。

研究人群

121年共121眼受试者检查了2015年9月至2018年7月。所有注册对象的人口学特征如表所示1。所有受试者与Pentacam人力资源系统成像(眼睛、Gmbh是一家位于德国)和UHR-OCT原型系统。KC(组1)和亚临床患者KC(组2)招募了温州医科大学附属眼科医院的。正常人(组3)是从医院的招募工作人员和学生。全面的眼部考试是由经验丰富的医生(YY和JJ),包括家庭和医疗历史的回顾,修正距离视力、裂隙灯生物显微镜检查、眼底检查和角膜地形(Medmont, Inc ., Nunawading墨尔本,澳大利亚)。研究对象被分成三组。

组1。一只眼睛的KC患者纳入本研究。KC由以下临床表现:患者诊断(1)的至少一个下面的裂隙灯的迹象:Vogt的条纹,基质变薄,弗莱舍的环> 2毫米弧;(2)中央平均角膜散光计高于47.0 D;(3)不对称地貌与inferior-superior (is)值高于或等于2.0 D的垂直梯度在6毫米;(4)没有隐形眼镜使用的历史,眼部手术或广泛的疤痕。

组2。亚临床KC确认从其他的眼睛是眼睛的单边KC病人,与病人满足所有标准下面提到招募:(1)没有KC在裂隙灯生物显微镜检查的临床体征,视网膜检影法和检眼镜检查;(2)诊断为KC侧眼;(3)中央角膜散光计平均小于45.0 D;(4)角膜地形特征与is值小于1.4 D的垂直梯度在6毫米;(5)近视和散光小于- 6.0 D小于−2.0 D;(6)无佩戴隐形眼镜或眼部手术史。

组3。正常的眼睛包括是否符合以下标准:(1)没有临床症状或建议怀疑亚临床KC或KC模式从角膜地形图像;(2)中央角膜散光计平均小于45.0 D;(3)is值小于1.4 D的垂直梯度在6毫米;(4)近视小于−6.0 D和散光小于−2.0 D;(5)没有佩戴隐形眼镜的历史,眼部手术或创伤。

Scheimpflug-based成像采集过程

Pentacam人力资源系统(眼睛、Gmbh是一家位于德国)被用来执行角膜层析考试(图。1b)。所有程序都是由一个有经验的操作人员,所有的参与者被要求图像采集前闪烁一次。只有当“考试质量规范”显示“OK”角膜曲率,海拔和pachymetry结果接受。总共三个重复测量每个主题进行。内置的Pentacam人力资源软件(版本6.02 r23)用于导出基于机器的指标,包括指标从海拔和曲率值前和后的接口以及角膜pachymetry映射。从三个测量获得的平均价值在同一主题被记录。

UHR-OCT成像采集过程

原型UHR-OCT系统被用来获得角膜图片,前面描述的(无花果。1a和c) [7,13,14]。总之,UHR-OCT系统使用three-module超发光二极管(SLD)光源(Broadlighter、T840-HP Superlumdiodes有限公司,莫斯科,俄罗斯)中心波长840 nm和半宽度的带宽100海里,大约3μm的轴向分辨率在角膜组织的扫描速度每秒24 k裙。图像宽度是8.66毫米。成像过程是由一个有经验的操作人员工作从上午9点到下午5点。中央图像引导每个参与者获得的盯着面前的内部视觉目标定位对齐的眼睛。优越的伪劣图像引导主体获得的盯着外固定目标从学科定位15厘米,向上30°和30°向下的角度。基于MATLAB的定制开发的软件2018 (MathWorks, Inc .,纳蒂克,妈,美国)被用来进行图像分析,上皮的厚度资料,鲍曼层和基质为进一步分析自动提取(7]。

分析了参数和描述

所有与会者都成像的双眼Pentacam人力资源系统和UHR-OCT,只有一只眼睛的正常对照组和KC患者随机选择进行分析。总共有49参数提取。所有的参数都是独立的变量。简要的分析了参数描述如下:

Pentacam HR系统curvature-based参数:

• 平的角膜散光计(K1): K1代表平的角膜曲率中心3.0毫米。

• 陡峭的角膜散光计(K2): K2代表陡峭的角膜曲率在中部3.0毫米。

• 平均角膜散光计(公里):公里代表K1和K2的平均值。

• 最大角膜散光计(Kmax): Kmax代表最陡的角膜的角膜曲率。

Pentacam HR系统elevation-based参数:

海拔地图生成的8毫米最佳球(BFS)浮动模式。高程值手动检测在中央5毫米区域在前后角膜表面。四个高程值记录3重复测量的平均值:

1. (1)

   最大高度(Emax(前)和Emax(回):正面或背面的最大高程表面。

2. (2)

   中央高度(一系列的(前)和一系列的(重新)):角膜顶点的高程的正面或背面的表面。

Pentacam HR系统pachymetry-based参数:

两个参数计算在一个直径8.0毫米的记录:

1. (1)

   薄的观点:角膜的厚度薄的价值点

2. (2)

   角膜角膜卷:卷直径8毫米,集中在前角膜顶点。

Pentacam HR系统集成的参数:

七个参数从Pentacam出口人力资源内置软件。

(1)ISV:表面指数方差;(2)宫内厅:高度不对称指数;(3)IVA:纵向不对称指数;(4)胆道:高度偏心指数;(5)KI:圆锥形角膜指数;(6):Rmin:最小半径;(7):长江基建:中央圆锥形角膜指数。

UHR-OCT系统上皮,鲍曼层和基质pachymetry-based参数:

• 平均厚度(代表BMean SMean):代表,BMean SMean代表的平均厚度上皮,鲍曼层和基质,分别在不同的位置(总,优越的伪劣)。

• 最小厚度(Emin, Bmin,股市):Emin, Bmin和股市代表最薄的厚度下上皮的厚度图,鲍曼层和基质。

• 最大厚度(Emax Bmax Smax): Emax, Bmax和Smax代表最厚的厚度上上皮的厚度图,鲍曼层和基质。

• 膨胀指数(千禧年代,贝和SEI):千禧年代,贝和SEI代表局部变薄的垂直经线上皮,鲍曼层和基质。指数定义为最小厚度的差除以平均厚度在优越的一半乘以100。

• 最大膨胀指数(EEI-MAX BEI-MAX和SEI-MAX): EEI-MAX, BEI-MAX和SEI-MAX代表的最大局部变薄在垂直子午线上皮,鲍曼层和基质。指数定义为最小厚度的差除以最大厚度的优越的一半乘以100。

• 剖面变化(EPV BPV与SPV): EPV, BPV和SPV代表厚度的变化在每个个体的上皮,鲍曼层和基质。它被定义为之间的均方根平均在一个主题区厚度和概要文件。

• 概要文件偏差(EPSD BPSD和SPSD): EPSD, BPSD和SPSD代表标准差之间的厚度资料个人和上皮细胞的正常模式,鲍曼层和基质。它被定义为带状的均方根厚度的个人档案和纬向平均厚度的模式。

其他参数

性别。

自动化的机器学习分类器

在我们的研究中,机器学习分类器都是建立在一个开源的Python包与Python 3.5 (Python软件基金会,https://www.python.org)。分类器是用来区分正常,亚临床KC, KC眼角膜客观、定量方法。工作流在图中有详细描述。2。总之,70%的病例是随机挑选的,和30%的病例分为训练集和验证集。所有数据之前规范化培训。当逻辑回归和神经网络分类器达到最高的敏感性和特异性,结果被选为自动机器学习分类器模型。整个过程重复了100次;接受者操作特征(ROC)曲线计算每次获得ROC曲线下的面积(auc)和敏感性和特异性都分开计算的验证集。

费雪的评分系统

我们从三个不同的数据集手动选择49参数(正常、亚临床KC和KC眼)。特征选择过程用于更好地理解所有的特性和减少造成的分类器模型过度拟合的一些绝对的特性(15]。我们使用了费雪的分数来评估每个特性的辨别力。我们列出了费舍尔得分和特性之间的相关性对分类精度的影响特性。如果相应的特性没有区别的权力在不同的眼睛,那么费舍尔得分将接近于零,和分类的平均精度特性将低。相比之下,选择特性被认为是好的如果费舍尔得分远远大于零。与这些特性可以实现高精度分类。因此,我们选择了五大功能根据费舍尔得分的每个分类器详细演示(表2)。

统计方法

SPSS软件(版本22.0;SPSS, Inc .,芝加哥,美国IL)是用于所有统计程序。数据连续特性提出了均值±标准差。学生的t被用来比较角膜功能在正常受试者,亚临床KC主题和KC科目。P值小于0.05的被认为是具有统计学意义。

逻辑回归分类器和神经网络分类器每个变量辨别能力和辨别能力

正常和亚临床KC

仅使用Pentacam人力资源系统单独或UHR-OCT,逻辑回归分类器显示良好的鉴别力,达成AUC = 0.74 (Pentacam HR系统)和一个AUC = 0.90 (UHR-OCT);神经网络分类器达到了AUC = 0.68 (Pentacam HR系统)和一个AUC = 0.88 (UHR-OCT)。从Pentacam人力资源系统和UHR-OCT结合特性后,分类器达到逻辑回归的AUC = 0.90分类器。神经网络分类器,AUC为0.93(表3)。单独使用Pentacam人力资源系统,通过排名费雪的分数,导致歧视的变量是Emax(回来)(无花果。3)。使用UHR-OCT单独或结合UHR-OCT Pentacam HR系统,由排名功能,导致歧视最EPV(无花果。3b和c)。我们列出五大功能的详细信息,最表的分类器4。

正常和KC

这两个分类器单独使用Pentacam人力资源系统表现出极大的辨别能力(AUC = 1.0),独自UHR-OCT(博特AUC = 0.98)或结合Pentacam人力资源系统和UHR-OCT, AUC的逻辑回归神经网络分类器的分类器是0.99和1.00(表3)。是否使用Pentacam人力资源系统单独或结合UHR-OCT,费雪的分数排名,最歧视造成的变量是Emax(回来)(无花果。4a和c),单独使用UHR-OCT贡献的变量最歧视的排名是SEI (I / S)(图4b)。

我们的研究表明,机器learning-derived分类器提供良好的微分权力区分亚临床KC的眼睛从正常的眼睛。多个instrument-combined变量实现更好的性能比单一instrument-derived变量。区分亚临床KC眼睛从正常的眼睛,UHR-OCT变量贡献超过Scheimpflug-based相机变量。我们所知,这是第一个研究使用组合SD-OCT和Scheimpflug-based相机变量通过机器学习分类器来区分亚临床KC的眼睛从正常的眼睛并比较每个变量的分化能力。

典型的KC迹象,如弗莱舍的环和基质变薄,可以很容易地观察到裂隙灯生物显微镜(16]。异常高K值或is价值被普拉西多环的角膜断层扫描也可以显示异常KC眼角膜(17]。这些指标是普遍公认的临床医生。然而,这些工具的性质限制了他们的敏感性检测角膜细微变化。相比之下,Scheimpflug-based相机可以获得多个角膜形态学信息,包括前部和后部曲率和高程和地区角膜厚度(18]。此外,UHR-OCT可以实现高分辨率在角膜组织,提供深度信息角膜组织(19]。需要详细信息的优点是反映在我们的结果;结合Scheimpflug-based相机和UHR-OCT变量达到出色的精度(0.98)来区分KC眼睛从正常的眼睛,即使有一个单独的机器中。然而,对于大多数临床医生来说,真正的挑战是早期诊断亚临床KC。

不像KC,亚临床KC的识别是经常在日常临床实践中,具有挑战性的,因为它通常是无症状的,被认为是最重要的危险因素的发展医源性扩张LASIK手术后(2]。我们以前的研究报道,上皮细胞和肾小球层特性提取UHR-OCT [7)或仅从Pentacam人力资源系统的参数20.)可以达到良好的微分动力亚临床KC检测。然而,由于难以纠正的OCT图像的光学畸变,10月系统缺乏地形指数。此外,由于分辨率的限制Pentacam人力资源系统,Pentacam相机不能准确检测角膜子层。我们目前的研究使用类似的方法,达成良好的微分动力亚临床KC检测。因此,结合Pentacam HR系统的特性和UHR-OCT将帮助我们充分理解结构上的细微变化在亚临床KC眼睛和更好的区分他们从正常的眼睛。

尝试了利用组合工具和具备良好的分化能力相比单一的仪器。Amobrosio等人结合Scheimpflug-based角膜层析成像和生物力学研究,发现提高角膜扩张检测(21]。本研究显示多个instrument-derived变量的潜在应用在诊断亚临床KC。最近,黄等人使用多变量分析,实现伟大的亚临床诊断电力KC眼角膜使用组合SD-OCT和Scheimpflug-based相机变量(AUC = 1.0)8]。然而,亚临床KC受试者的入选标准,研究争议,并处理这些指标是耗费时间,而不是用户友好的临床应用(22,23]。我们使用逻辑回归分类器来区分亚临床KC在这项研究中;然而,精度没有改善而单一machine-derived逻辑回归模型。功能数量很大时,逻辑回归分类器是容易underfitting,预测精度会因此被限制在这个场景中。machine-learning-based模型可以避免这个问题。因此,机器学习(ML)模型,如神经网络,使用多个工具时更合适。我们的研究结果表明,神经网络分类器的auc高于逻辑回归的分类器。

机器学习分类器,神经网络有很多优点,如自学,没有数据丢失和类似的方法已经被应用到KC诊断了几年。Smolek等人介绍了神经网络方法使用角膜地形变量检测KC和KC怀疑的眼睛。神经网络方法证明优于手工筛选的准确性的方法(9]。其他机器学习分类器也被应用到KC诊断。Arbelaez等人使用前和后变量Scheimpflug-based相机和角膜地形,和支持向量机分类器有一个微分的力量对亚临床KC的眼睛0.92 (11]。Smadja等人从Scheimpflug-based相机使用变量和自动决策树分类检测亚临床KC眼睛,取得了优秀的敏感性(93.6%)和特异性(97.2%)。我们总结了不同的机器学习分类器应用程序在KC诊断表5和我们的结果与其他研究相比。我们发现,在我们的研究中,自动分类器基于Scheimpflug-based相机和UHR-OCT实现类似的微分功率与其他研究相比一个更小的样本容量。角膜的结果表明,子层信息来源于UHR-OCT和多个特性来源于Pentacam人力资源系统是用于区分亚临床KC的眼睛从正常的眼睛。这些成功的应用程序基于机器学习的分类器和高微分功率表示,基于机器学习的自动分类系统是一个功能强大的工具为筛查亚临床KC的眼睛。

利用费雪的评分系统允许我们理解每个特征对分类的贡献通过显示和比较一个可视化工具。单独使用Scheimpflug-based相机,最大高程值神经网络分类器的影响最大。虽然后表面的诊断价值变量从Scheimpflug-based相机仍存在争议29日变量的重要性,从后提取高程地图Scheimpflug-based相机筛查是公认的(18,29日,30.,31日]。一些研究表明,一些变量,如从Pentacam BAD-D,表现出良好的性能在不同的亚临床KC的眼睛从正常的眼睛(32];一个可能的原因是,BAD-D利用回归模型结合一些变量在海拔两个前部和后部的角膜表面,角膜厚度、最薄点的位置,Kmax, pachymetric回归和Ambrosio关系厚度(33]。但黄等人暗示BAD-D和类似的个人指标表现良好不够准确区分从正常人群亚临床KC的眼睛8]。这进一步表明,这样一个模型,通过结合多个角膜参数将协助临床医生歧视亚临床KC的眼睛从正常的眼睛。海拔地图的研究是基于一个8毫米的最佳球(BFS)。一些调查人员指出,海拔地图的诊断价值基于一个8毫米增强石(31日]或最佳复曲面的椭球(34)应考虑,未来的研究基于这些海拔变量也应该被考虑。当单独使用UHR-OCT系统,EPV影响最大的神经网络分类器,这呼应了之前的研究使用上皮厚度地图从10月6,8]。BPV也影响了分类器,呼应了几项研究结果显示,鲍曼层中的违规行为可以提高检测亚临床KC [35,36]。缺乏自动鲍曼层分析商业前节10月减少肾小球的早期改变的意识层亚临床KC病人。这可能是由于当前的商业前节10月没有足够的带宽来检测最早的变化与KC发生鲍曼的水平层,即使我们UHR-OCT系统。未来的技术发展,如新UHR-OCTsμm 1.5轴向分辨率的水平(37,38)结合3 d地形鲍曼层(39,40)和深度学习自动角膜分割技术(41),可以帮助科学家和临床医生检测鲍曼的真正最早变化层亚临床KC病人。

此外,亚临床的复杂性KC筛查系统排除了依赖单一的机器,和临床图像的组合形式是终极目标。有趣的是,当Scheimpflug-based相机结合UHR-OCT, Scheimpflug-based相机的标高变量微分优越的能力与UHR-OCT变量筛选KC眼睛相比,但是对于亚临床KC眼睛,UHR-OCT-based单变量的贡献超过Scheimpflug-based相机的综合变量(ISV、胆道等)。丰富的深度信息提取上皮被UHR-OCT作出了极大的贡献这一发现,表明分割角膜层信息在亚临床的诊断KC拥有巨大的价值,但在临床实践中可能没有被充分利用。这种现象有一些原因:首先,UHR-OCT的高成本限制了它的应用程序来诊所;第二,临床医生无法轻易理解这些信息由于缺乏解释分割角膜层信息;第三,自动分割角膜层(包括上皮细胞和肾小球层)10月软件不适用于大多数商业系统。

我们的研究也有一些局限性。首先,我们在这项研究中,使用交叉验证和进一步研究涉及人类经验的专家验证是必要的。其次,我们研究的样本量有限,还需要进一步的大规模的研究来验证我们的结果。第三,我们只使用图像形态特征筛选系统,以及生物力学变量是否导致了系统仍然是未知的。第四,我们只测试了部分常用变量和多变量的研究来评估需要过度拟合。第五,我们只招募亚临床KC和KC病人在这项研究中,我们的模型是有限的这种疾病。未来计划招募患者额外的角膜异常,如post-Lasik扩张和角膜弯曲,可以增强我们的模型。第六,我们当前的模型缺乏比较结果与Pentacam指数PRFI和BAD-D等,进一步研究使用Pentacam最新软件版本可以进一步探索机器学习模型和比较这些指标。

总之,我们的研究强调的价值从Scheimpflug-based相机和UHR-OCT组合仪表功能。这些发现表明变量证明微分功率比设备变量相结合。此外,UHR-OCT功能时显示更好的价值而Scheimpflug-based相机的功能区分亚临床KC的眼睛从正常的眼睛。机器学习分类器可以是一个强大的亚临床KC识别自动化检测工具。我们相信,我们的研究结果将直接歧视未来的研究走向最好的利用机器学习分类器和多个用仪器测量功能。

不适用。

不适用。

本研究支持的研究经费来自浙江省重点研发项目项目(2019 c03045),中国的国家主要设备项目(2012 yq12008004),中国国家重点研发项目(2016 yfe0107000,中国国家自然科学基金(批准号81570880)。

作者指出

1. Ce史和Mengyi王是第一个合作者

从属关系

1. 温州医科大学眼科和视光学学院,温州,学院路270号浙江,325027年,中国

   Ce Shi, Mengyi Wang应张,你们6月江,茜茜公主,沈陆& Meixiao粉丝

2. 计算机科学与技术学院、浙江理工大学、杭州,浙江,12624年,中国

   朱田田

贡献

FL、女士、CS、TZ YY, JJ和兆瓦收集和分析数据。CS, MW、SC、YZ解释数据。CS, MW写手稿的主要贡献者。所有作者阅读和批准最终的手稿。

相应的作者

对应到风扇陆或Meixiao沈。

伦理批准和同意参与

所有的研究方法都符合赫尔辛基宣言的原则和伦理委员会的批准温州医科大学眼科医院(ID: y - 2015003)。所有受试者招募自愿被告知的目的,研究的方法和潜在的风险。从每个志愿者获得签署同意书。

同意出版

所有研究对象给线人同意。

相互竞争的利益

所有作者的手稿没有专有的兴趣在本文中描述的任何材料或方法。

开放获取本文是基于知识共享署名4.0国际许可,允许使用、共享、适应、分布和繁殖在任何媒介或格式,只要你给予适当的信贷原始作者(年代)和来源,提供一个链接到创作共用许可证,并指出如果变化。本文中的图片或其他第三方材料都包含在本文的创作共用许可证,除非另有说明在一个信用额度的材料。如果材料不包括在本文的创作共用许可证和用途是不允许按法定规定或超过允许的使用,您将需要获得直接从版权所有者的许可。查看本许可证的副本,访问http://creativecommons.org/licenses/by/4.0/。知识共享公共领域奉献豁免(http://creativecommons.org/publicdomain/zero/1.0/)适用于数据可用在这篇文章中,除非另有说明在信贷额度的数据。

再版和权限