机器学习对青少年近视眼轴增长与近视度数增加关联性的预测作用

摘要

目的运用机器学习的方法预测青少年近视眼轴增长与近视度数增加的关系及其影响因素。方法采用横断面研究设计,收集2017年1月至2018年12月在北京大学人民医院眼视光中心就诊的近视患者1011例1011眼,均取右眼的数据资料进行分析。收集的所有患者相关参数用于训练机器学习算法模型,构建模型时输入的参数包括年龄、性别、中央角膜厚度(CCT)、平均角膜曲率(K-mean)、可见虹膜直径(HIVD)、晶状体屈光度和眼轴长度(AL),输出的参数为等效球镜度(SER)。采用5折交叉验证的方法把所有收集的数据随机分为5个组,其中4个组用于训练模型,1个组用于验证预测结果的准确性,整个过程重复5次。根据不同模型训练后的R值和R2值的大小评估各模型的预测准确性。采用预测准确性最好的模型讨论眼轴增长与SER增加之间的相关性及其影响因素。结果基于5折交叉验证的6种机器学习运算方法的预测准确性R值和R2值比较表明,模型以立方支持向量机(Quadratic SVM)回归模型预测准确性最好,R值为0.99,R2值为0.98。Pearson线性相关分析结果显示,晶状体屈光度与年龄呈负相关(r=-0.301,P<0.01)。经Bennett-Rabbetts公式计算表明,6岁近视群体较18岁近视群体的平均晶状体屈光力大。该机器学习的模型表明,AL增加1 mm所对应的SER变化并非恒定值,为0^-3.00 D,这主要取决于AL增加1 mm所需要的时间跨度,AL增加1 mm所需要的时间越长,其所对应的近视增长度数越小。当AL增加1 mm时间跨度为1年时,如6~7岁或12~13岁,AL增加1 mm所对应的SER分别增加-2.50 D和-2.33 D;当时间跨度为3年时,如6~9岁,所对应SER约增加-1.77 D。结论对于学龄期近视者而言,AL增加1 mm所需时间越长或年龄跨度越大,AL增加1 mm所对应的SER增加量越小。机器学习方法可以在临床上较为准确地预测AL增加与近视度数增加之间的关系。