开发基于角膜生物力学特性的一个分类系统使用人工智能预测圆锥形角膜严重性

背景

研究机器学习(ML)算法来区分角膜生物力学特性在不同地形的圆锥形角膜(KC)动态Scheimpflug张力测定法(CST, Corvis圣,眼睛,位于德国)。在以下,ML模型被用来预测严重程度的培训和验证数据集。

方法

三百一十八keratoconic和一百一十六名健康的眼睛是包含在这monocentric和横断面试点研究。动态角膜反应(DCR)和角膜厚度从春秋国旅(pachymetric)参数被挪用选择选择技术开发ML算法。KC是由地形圆锥形角膜的阶段分类系统(TKC Pentacam,眼睛)。患者分为TKC 1, TKC 2和TKC 3被分配到子群温和,温和,和先进的KC。如果患者分为TKC 1 - 2, TKC 2 - 3或TKC 3 - 4,他们被分配到子组根据规范范围的进一步角膜指数(指数表面的方差、圆锥形角膜指数和最小半径)。患者分为TKC 4并不包括在本研究由于有限的情况下。线性判别分析(LDA) (RF)和随机森林算法被用来建立分类模型。数据分为训练(70%的病例)和验证(30%的病例)数据集。

结果

LDA模型预测健康、温和,温和,和先进的KC眼睛敏感(S_n)/特异性(S_p)82% / 97%、73% / 81% / 62% / 83%和68% 95%验证数据集,分别。射频的模型中,年代_n/秒_p91% / 94%、80% / 90% / 63% 87%,72% / 95%可以达到预测健康、温和,温和,分别和先进的KC的眼睛。LDA和RF的总体精度为71%和78%,分别。KC检测的准确性包括所有子组KC严重程度为93%的模型。

结论

RF模型显示良好的准确性预测健康眼睛和KC,准确性是优越的不同阶段对LDA模型。模型的临床重要性是独立的动态Scheimpflug张力测定法是能够预测KC的严重性没有keratometric数据。

试验注册

NCT04251143在Clinicaltrials.gov,注册在2018年3月12日(回顾性注册)。

圆锥形角膜(KC)是一种双边扩张的疾病特点是角膜的角膜趋陡和变薄1]。因此,不规则散光可能导致失明。前有研究报道发病率和患病率低圆锥形角膜(2]。最近,这是表明KC并不发生在很少描述(3]。由于改善诊断,假设患病率较高,取决于地理区域(4]。Placido-disk Scheimpflug或光学相干断层扫描(OCT)技术是有用的工具为筛选扩张角膜地形、断层扫描图像。在KC,生物力学属性改变角膜组织生物力学上的作用减弱(5]。特别是焦削弱弹性可能最初引发基质变薄和增加趋陡(6]。因此,体内的生物力学评估角膜流行通过释放非接触式眼压计贴上眼响应分析仪(ORA, Reichert眼科仪器,位于纽约州迪普市,纽约,美国)领域的屈光手术,角膜和青光眼(7]。奥拉提供信息关于角膜粘弹性属性描述为角膜滞后和角膜阻力系数7,8]。此外,圆锥形角膜匹配指数(KMI ORA)和概率(公里,ORA)是来自个人测量信号的波形特征和比较规范的数据库(9,10]。此外,调查表明,该数据库不是客观圆锥形角膜相关分类;此外,个人病例分类四个不同的设置(11]。因此,没有明确的相关性圆锥形角膜地形分类(TKC Pentacam,眼睛,位于德国)或指标,如圆锥形角膜前表面指数(KI Pentacam),可以发现在一些调查。之后,介绍了Scheimpflug-based眼压计的眼睛记录角膜变形过程由一个喷气使用超高速摄影机(Corvis圣,眼睛,位于德国)。的测量结果Corvis圣被描述为动态角膜反应(DCR)参数。它已经表明,DCR参数是高度重复的健康(12和KC的眼睛13]。此外,Corvis圣可以用来评估改变角膜交联前后(CXL) [14,15,16]。Corvis生物力学指标(CBI)和层析和生物力学指标(创伤性脑损伤)指数能够区分健康和KC眼睛健康和亚临床扩张(17,18]。亚临床的眼睛被定义为那些正常的地形在一只眼睛和清单KC的眼睛非常不对称的扩张17]。然而,这些指标并不旨在区分不同阶段的KC。以前,我们发现DCR参数不同的KC的几个阶段19]。本试验研究的目的是开发一个角膜生物力学建立分类模型,称为德累斯顿圆锥形角膜指数(DKI),预测KC的严重程度在一个独立的Corvis圣测量没有从角膜角膜散光计数据。

主题

这monocentric试点研究在眼科学系大学医院卡尔·古斯塔夫词Carus你德累斯顿,德国。研究协议是大学医院的伦理委员会批准的卡尔·古斯塔夫词Carus德累斯顿,你德累斯顿,德国遵循赫尔辛基宣言的原则。参与者和KC患者参加2017年1月至2020年3月的折射和圆锥形角膜诊所的眼科,卡尔·古斯塔夫词Carus大学医院。所有受试者签署知情同意批准确认。此外,健康受试者和圆锥形角膜患者得到一个完整的眼科检查包括裂隙灯前部分的活组织镜检查和眼底活组织镜检查以及调查他们的病史。入选标准为健康的参与者是一个年龄在18岁至45岁之间,正常的断层,眼压小于21毫米汞柱,一个普通的视神经头。KC患者呈现明显迹象的圆锥形角膜角膜地图(来自Scheimpflug断层扫描),通过一个有经验的临床医生(FR)和验光师(RH)。地形圆锥形角膜分类(TKC)必须至少第一阶段(TKC 1)。值得注意的是,一个随访检查是必要的,以确定地形稳定。健康的参与者和KC患者要求停止戴隐形眼镜了10天。排除标准是先前的角膜和眼手术(如角膜交联),糖尿病和严重的KC。

动态测量角膜反应参数

Corvis圣措施诱导角膜回应,预定义的喷气使用超高速Scheimpflug相机(20.,21]。DCR和角膜厚度相关(pachymetric)参数是来自二维截面的记录描述角膜的角膜和行为在不同变形阶段。首先,喷气到达角膜和推动第一扁平。在喷气活跃,角膜是被迫凹形(称为凹度最高,HC)。之后,空气压力降低和角膜移动通过第二扁平的生理状态。一些DCR参数显示时间和速度1号和2号扁平以及最大变形(18,20.,21,22]。此外,角膜pachymetry (Pachy)和角膜厚度相关参数(分,(合理厚度水平(18]和Pachyslope [23)测量喷气前到达角膜。到底是计算最薄的角膜厚度除以pachymetric进展外围(18]。相反,Pachyslope计算平均角膜厚度的差异在±2.5毫米和角膜厚度的顶端23,24]。最新的软件版本包括小说像生物力学参数修正眼压(bIOP) [25,26];最大反凹半径(逆)(18];集成逆半径(IntInverseR) (18];中央和周边变形比1毫米和2毫米的距离(DAR1 / DAR2) (18)在1日和刚度参数的扁平(SPA1) [22]。此外,英国工业联合会是一个综合指数几个DCR参数基于逻辑回归分析,区分健康和KC的眼睛18]。相反,创伤性脑损伤的结合及使用一个随机森林方法和层析参数(17]。

圆锥形角膜的角膜断层扫描测量和分类

角膜断层的健康参与者和KC患者评估Scheimpflug技术(Pentacam,眼睛,位于德国)。地形数据来自这些测量。本研究使用以下参数:最大角膜散光计(Kmax),薄的角膜厚度(TCT),贝林/(总偏差值(BAD-D)和inferior-superior keratometric差异(is价值)。Pentacam提供了两种KC分类系统:圆锥形角膜地形分类(TKC) [27)和ABCD评分(28]。他们都是有关Amsler-Krumeich KC分类(27,28]。ABCD评分提供了一个独立的前和后表面TCT。然而,我们的临床经验表明,很难找到病人,在每个类别有相同的阶段(例如,A2B2C2)。因此,我们决定使用TKC目标分类预测KC严重性的DCR和pachymetric参数。TKC是基于地形指数等指数表面方差(ISV),圆锥形角膜指数(KI)和最小半径(Rmin) [27]。KC患者分为TKC 1, TKC 2和TKC 3,被分配到子组“轻度KC”,“温和的KC”和“先进KC”,分别。患者分为“TKC 1 - 2”和“TKC 2 - 3”分配给轻度和中度,根据规范范围的ISV, KI和Rmin(见表1)。患者分为“TKC 4”并不包括在本研究由于数量有限的情况下。

统计分析和分类模型

使用SPSS统计分析和机器学习算法进行(IBM版本25日统计,阿蒙克,纽约,美国)和R (R统计计算的基础,维也纳,奥地利;https://www.R-project.org/)。不完整的数据,质量不足Corvis圣测量或异常的病人的数据集被移除。一只眼睛每个参与者或病人使用。随机分为训练数据集(约70%的病例)和验证(大约30%的病例)数据集。为了解决这个分类问题,随机森林(RF)和线性判别分析(LDA)选择由于他们是否适合多级分类。两个射频(17,29日和乔治。30.,31日,32)被用于眼科过去解决分类问题。RF模型是一种机器学习算法,包括,结合大量的决策树解决分类和回归问题(33,34]。决策树建立了基于节点在一个独立的变量选择原因决定找到最终的预测(33]。在射频,每个决策树是一个投票的结果和最预测决策决定了最终的预测(33]。另一方面,LDA分类算法,利用判别函数,所选参数的线性组合,将两个或两个以上的组(35]。子组的判别函数描述了数值属性的意思是这些结果构成重心(35]。这些意味着两个或两个以上的组的差异代表了截止值(35]。

一般来说,机器学习方法分为监督、非监督和强化学习33,34]。射频和LDA监督机器学习算法。此应用程序的目的是,机器学习算法能够从一个标记数据集和构造规则来预测无标号数据,这不是在数据集34]。学习过程还包括改善准确性是否添加新数据。由此产生的模型的准确性从机器学习过程依赖于数据的质量和数量。还有一个有偏见的训练数据集的风险会导致一个错误的标记和独立数据的预测。

DCR和pachymetric参数导出Corvis圣软件(版本1.5 r1902)包括40变量。CBI和创伤性脑损伤被排除在外,因为他们代表已经建立了指数和后来被用于比较分析。整个眼球运动也没有包含在分析,因为它不直接代表角膜生物力学特性。参数的多重共线性评估对方通过计算方差膨胀因子回归分析(VIF)。在下面,最后选择DCR和pachymetric参数由递归特性消除(脱字符号包,R)和逐步Wilks-Lambda (SPSS)对射频和LDA方法,分别(无花果。1)。每个算法的性能评估与验证数据集通过生成一个混淆矩阵。另外,算法的精度决定了整体性能,而敏感性(S_n和特异性_p)确定每个子群(“健康”、“温和的KC”“温和KC”和“先进KC”)。年代_n经过计算得出

Sp是计算从

在这种情况下,年代_n和S_p计算每个子群(例如,“轻度KC”),真正的阳性病例,分为轻微KC。真正的底片都non-mild KC病例没有归类为轻度KC。假阳性都non-mild KC案件归类为轻度KC,而假阴性都温和KC病例没有归类为轻度KC。

发达算法相比,对他们的适用性检测KC一般使用CBI和创伤性脑损伤。接受者操作特征曲线(ROC)最后,绘制和曲线下面积(AUC)测定。为多个比较,单向方差分析与Bonferroni调整使用。一个P值小于0.05显示统计学意义。样本大小的计算是通过使用G权力(版本3.1.9.2、杜塞尔多夫大学、德国)基于四子组之间的显著差异(健康、轻度KC,中度和高级KC)使用单向方差分析。样本的大小至少45科目是必要的为每个子群(效应大小= 0.25,α错误= 0.05,= 0.8,团体的数量= 4)。

人口统计资料

在这项研究中,116只眼睛116名健康的参与者(控制)和318年的眼睛318圆锥形角膜患者进行了分析。有更多的男性比女性P= 0.004)。健康和圆锥形角膜科目的人口数据表进行了总结1。地形参数(公里,Kmax, is价值)在KC组显著高于控制(P< 0.001)以及健康与温和的KC,轻度KC和中度KC和温和派之间KC和先进KC (P< 0.05)。弧,中华人民共和国和TCT在KC控件(相比显著降低P< 0.001),降低KC的阶段是(P < 0.001)。两个组别之间的bIOP明显不同(P < 0.001),然而,KC子组之间没有差异被发现(P> 0.05)。CBI和创伤性脑损伤的控制和KC之间的显著差异(P< 0.05),而脑外伤并不是不同的轻度和中度之间,或在温和的和先进的KC (P > 0.05)。

动态角膜响应参数在健康和KC科目

比较重要的DCR和pachymetric参数如表所示2。除了偏转幅度在1日扁平(A1DefA),所有显示参数控制和KC之间明显不同(P< 0.001)、控制和温和的KC (P< 0.01),轻度和中度KC (P < 0.01),以及温和的和先进的KC (P < 0.001)。

分类的KC DCR和pachymetric参数

完整的数据集随机数据集分为训练和验证。没有年龄差异,bIOP、地形和层析这些数据集之间的参数(P> 0.05,表3)。这两种模型进行了测试与验证数据集。只有这些结果代表。

在LDA,最后模型包含以下参数,下令对算法的重要性:吼,SPA1, IntInverseR, PachySlope,半径和A1V。预测基于S_n和S_p为轻度,中度,和先进的KC与健康的73% / 81%,62%和83%,分别为68%和82% / 97% / 95%(无花果。2)。整个KC的严重程度分类的准确度为71%(表4)。

在射频,最终的模型(默认的截止值= 1 /组(0.25,0.25,0.25和0.25))预测的严重程度轻微,温和的、先进的KC和健康的年代_n/秒_p57% / 93%,63% / 92%,分别为87%和100% / 88% / 93%。总体精度为75%(表4)。最终的模型包括以下参数(前十11),下令对模型的重要性:吼,逆,SPA1, PachySlope, Pachy, IntInverseR, DAR1 DAR2半径和A1DefA(无花果。3)。最终射频模型显示相对较低的年代_n轻度和中度KC。此外,几乎一半的温和KC病例分为健康的(表4)。因此,射频模式的截止值调整到0.36,0.16,0.19和0.29,改善特别是年代_n对于轻度KC病例。产生的射频优化模型(DKI)预测温和,温和的、先进的KC和健康的年代_n和S_p80% / 90%,63%和87%,分别为72%和91% / 94% / 95%(无花果。2)。总体精度为78%(表4),因此高于LDA以及射频与默认的截止值模型。

比较一般的KC检测DKI和LDA模型建立了CBI和创伤性脑损伤,所有子组被分配到KC组严重程度。基于每个生物指数(DKI LDA和CBI)显示超过90%(表的准确性5)。KC DKI和LDA模型的预测是CBI一样好。创伤性脑损伤达到一个年代_n和S_p检测KC的100% / 99%。

生物力学评估使用Corvis圣是一个有用的工具来评估体内角膜生物力学和能够屏幕KC和亚临床KC [17,18]。英国工业联合会是一个综合指数是基于逻辑回归分析,最终β转化为物流乙状结肠功能和0.5健康歧视(CBI的截止值< 0.5)从KC (CBI > 0.5)。临床研究显示高敏感性和特异性检测KC [18,19,36,37]。相反,创伤性脑损伤的层析结合使用随机森林和生物力学数据分析交叉验证,截止值的0.29提供了一个出色的精度检测KC和眼睛正常的地形和断层的眼睛显示扩张(17,37,38]。截止值0.75检测临床圆锥形角膜,年代被发现_n和S_p的100%。然而,指标不是预测KC的严重程度而设计的。我们所知,这是第一个研究使用一个随机森林算法来预测基于DCR KC的严重性和pachymetric参数来源于喷气张力测定法。

在我们之前的工作中,我们用一个较小的样本量,显示及参数是不同的在特定阶段的KC [19]。然而,轻微的KC之间差异更明显(TKC 1)和先进的KC (TKC 3)之间的比轻度(TKC 1)和中度(TKC 2) KC之间以及温和的和先进的KC。此外,我们发现改变轻微KC和健康对照组之间及参数。角膜厚度、bIOP和Kmax被提到一个重要的影响在KC眼睛DCR参数使用回归分析(19]。发现bIOP相比,健康受试者明显高于所有KC病人。高眼压意味着更严厉的角膜行为对喷气(22]。然而,不同的是约0.9毫米汞柱,这并不影响进一步分析。在最近的研究中,几乎所有的DCR和pachymetric参数控制和温和的KC之间明显不同,以及在KC组。结果表明,角膜厚度属性(Pachy,关节炎和Pachyslope)以及DCR参数取决于KC严重性。换句话说,KC阶段越高,对喷气较弱是角膜的行为。我们调查了那些DCR分类模型的重要参数。分显示较低的值,KC阶段越高,而Pachyslope显示更高的值。这两个参数表示薄角膜和更快的角膜厚度增加到外围,KC阶段越高(39]。更高级的KC,逆和IntInverseR越高,表明陡角膜形状在凹变形阶段。在更高阶段的KC,中央周边变形的比率在1毫米(DAR1)和2毫米(DAR2)增加。这些结果说明对变形阻力小,KC阶段越高(18]。此外,1日扁平的刚度参数较低在更高级的KC [22]。Koh DAR2等人已经观察到类似的结果,IntInverseR和基于前部和后部SPA1曲率以及角膜厚度。陡峭的眼角膜(前部和后部曲率)与DAR2更高,高IntInverseR和低SPA1 [40]。

分类的目的,我们决定选择TKC作为目标变量而不是ABCD评分,因为它的高复杂性的前部和后部曲率,和角膜厚度评估。此外,两个不同的机器学习算法被用来预测的严重性KC使用DCR和pachymetric参数。及参数的数量减少时检查多重共线性(13 36 DCR参数被移除)。每个模型的改进(LDA和RF)是通过特定的特性消除方法。最后,LDA模型包含六个DCR参数(分、SPA1 IntInverseR, PachySlope,半径和A1V)预测KC的严重程度,而射频模型包含11个参数(分、逆SPA1, PachySlope, Pachy, IntInverseR, DAR1, DAR2,半径,A1DefA和A2DefAA)。

在第一个实例,LDA分离四组(控制、轻微、中等和先进的KC)的总体精度71%。的年代_n和S_p被充分控制和轻度KC但不适用于中度和先进KC。使用默认的截止值RF模型显示优秀的年代_n和S_p为健康对照组和先进的KC。然而,S_n不适用于轻度和中度KC,轻微的KC预测在29%的情况下一样健康。因此,射频优化模型是通过改善截止值,导致优秀的年代_n和S_p健康对照组和温和KC但年代的损害_n先进的KC。优化截止值的另一个原因是能够更好的区分健康和温和的KC由于临床意义。射频优化模型称为德累斯顿生物力学圆锥形角膜严重程度指数(DKI),达到整体精度最高的78%相比,LDA和射频模型默认的否决。最近,Langenbucher等人发表了一项研究相似的目标,他们利用LDA和支持向量机(SVM)算法[41]。有五组(健康和TKC 1 - 4),当受试者的数量与本研究相同。总体精度为65 64%,支持向量机和LDA,分别为(41]。这些值都低于目前的研究。

此外,DKI不如英国工业联合会在完成检测圆锥形角膜。在这项研究中,令人惊讶的是,S_nCBI的低于先前的研究[18,19,36,37),截止0.5作为发表的文奇盖拉et al。18]。这样做的原因可能是训练过程和训练数据集的DKI更适合于分离轻度KC从健康与CBI相比。然而,DKI相媲美英国工业联合会在预测KC。如前所述,创伤性脑损伤的目的是预测亚临床扩张结合地形和层析数据及参数使用的截止值0.29 (17]。在这项研究中,截止值0.79被用于区分健康与临床圆锥形角膜被(et al。17]。他们找到了一个年代_n和S_p100% (17]。我们的研究结果表明,创伤性脑损伤显示只有一个错误在我们的研究人群,导致优秀的年代_n,年代_p和准确性。

这一试点研究的限制是每个组的小样本大小。此外,单中心设计精度限制了关于不同种族,设备和用户。模型可能会提高培训数据库中包括更多情况下从不同的中心。

在这项研究中,我们开发了一个分类模型,该模型预测的严重程度与精度高但不影响年代KC_n和S_p在检测KC相比,英国工业联合会。然而,最误分类发生在温和的KC因为轻微的重叠和先进的KC。DKI主要受到pachymetric参数。然而,DCR参数描述属性的角膜变形对喷气DKI上产生重大影响。DKI是唯一的临床重要性Scheimpflug-based测量张力测定法是能够预测KC的严重程度没有任何地形和tomographical信息。这可能是有趣的对于临床用户有一个独立的没有Pentacam Corvis圣。应该进行进一步的研究来确定适用性DKI的跟踪参数。

和/或使用的数据集分析在当前研究可从相应的作者在合理的请求。

作者感谢埃伯哈德Spoerl博士教授他的宝贵支持这个项目。

RH和FR支持的科研补助金印德科技中心、科技部,DLR,德国(批准号:01 dq15016a)。

从属关系

1. 大学医院眼科学系卡尔·古斯塔夫词Carus Universitatsklinikum卡尔古斯塔夫词Carus der德累斯顿Technischen大学,Fetscherstraße 74,你01307,德国德累斯顿

   罗伯特·赫伯Lutz大肠Pillunat &弗雷德里克Raiskup

贡献

RH和FR设计研究。RH收集、分析和解释数据。RH起草了手稿。地蜡,FR批判性知识内容的修订后的手稿。所有作者阅读和批准最终的手稿。

相应的作者

对应到罗伯特草。

伦理批准和同意参与

研究协议是大学医院的伦理委员会批准的卡尔·古斯塔夫词Carus德累斯顿你德累斯顿,德国遵循赫尔辛基宣言的原则(EK 104032018)。这项研究的一部分“德累斯顿角膜疾病和治疗研究”(NCT04251143)。在报名之前,所有的参与者被告知研究目的、方法和数据分析和知情同意签署。

同意出版

所有参与者已确认同意出版。

相互竞争的利益

所有作者没有利益冲突声明。没有经济利益披露。

部分作为论文2019年苏黎世CXL专家会议上表示,德国眼科协会的年度会议在柏林2019年和2020年接受纸在下午。

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