机器学习和人工神经网络技术在角膜切开术后畸形分类中的应用

封面图片

如何引用文章

全文:

详细

论证。对前放射状角膜切开术后患者角膜的光学和解剖特性进行仔细分析。这对于选择用于白内障手术和其他类型光学矫正的眼内镜片的光学倍率具有特殊意义。角膜切开术后畸形临床表现的多变性决定了有必要对其进行分类，这也是现代眼科学的一项重要任务。

目的。本研究旨在利用机器学习和人工神经网络开发角膜切开术后角膜畸形自动分类系统。该分类系统的开发基于对角膜图形数值的分析。

材料与方法。以250名患者的匿名病历分析结果为材料。患者年龄在46至76岁之间（平均年龄为59.63±5.95岁）。对500张角膜前后表面的图形，对角膜切开术后畸形分类进行了3个阶段的机器学习。

结果。第一阶段是分析角膜前后表面的图形。通过分析记录了角膜前后表面在三个环形区域的隆起数值。在第二阶段，通过深度机器学习选择并建立了一个前馈神经网络，确定了八个辅助参数。这些参数描述了角膜前后表面的形态。在第三阶段根据测试样本和训练样本的比例，获得了角膜切开术后角膜畸形的分类算法，该比例为75%至91%。

结论。开发了一个人工神经网络。成功解决了角膜切开术后角膜畸形类型的分类问题，准确率高达91%。该神经网络的训练质量还有进一步提高的潜力。人工神经网络算法的应用可以成为对曾接受过放射状角膜切开术的患者进行角膜切开术后角膜畸形自动分类的有用工具。

作者简介

Ekaterina K. Tsyrenzhapova

The S. Fyodorov Eye Microsurgery Federal State Institution

Email: katyakel@mail.ru
ORCID iD: 0000-0002-6804-8268
SPIN 代码: 1158-5233

MD

俄罗斯联邦, Irkutsk

Olga I. Rozanova

The S. Fyodorov Eye Microsurgery Federal State Institution

Email: olgrozanova@gmail.com
ORCID iD: 0000-0003-3139-2409
SPIN 代码: 6557-9123

MD, Dr. Sci. (Medicine)

俄罗斯联邦, Irkutsk

Tatiana N. Iureva

The S. Fyodorov Eye Microsurgery Federal State Institution; Irkutsk State Medical University; Russian Medical Academy of Continuous Professional Education

Email: tnyurieva@mail.ru
ORCID iD: 0000-0003-0547-7521
SPIN 代码: 8457-5851

MD, Dr. Sci. (Medicine), Professor

俄罗斯联邦, Irkutsk; Irkutsk; Irkutsk

Andrey A. Ivanov

The S. Fyodorov Eye Microsurgery Federal State Institution

Email: ivanov.andrei.med@yandex.ru
ORCID iD: 0009-0001-4235-9252

MD

俄罗斯联邦, Irkutsk

Ivan S. Rozanov

LLC Transneft Technology

编辑信件的主要联系方式.
Email: nauka@mntk.irkutsk.ru
ORCID iD: 0009-0001-7202-0428
俄罗斯联邦, Irkutsk

参考

  1. Issarti I, Consejo A, Jiménez-García M, et al. Computer aided diagnosis for suspect keratoconus detection. Comput Biol Med. 2019;109:33–42. doi: 10.1016/j.compbiomed.2019.04.024
  2. Chen X, Zhao J, Iselin KC, et al. Keratoconus detection of changes using deep learning of colour-coded maps. BMJ Open Ophthalmol. 2021;6(1):e000824. doi: 10.1136/bmjophth-2021-000824
  3. Feng R, Xu Z, Zheng X, et al. KerNet: A novel deep learning approach for keratoconus and sub-clinical keratoconus detection based on raw data of the pentacam HR system. IEEE J Biomed Health Inform. 2021;25(10):3898–3910. doi: 10.1109/JBHI.2021.3079430
  4. Gatinel D. Screening for subclinical keratoconus and prevention of corneal ectasia with SCORE analyzer software. In: Febbraro J-L, Khan HN, Koch DD, editors. Surgical correction of astigmatism. Cham: Springer International Publishing; 2018. doi: 10.1007/978-3-319-56565-1_9
  5. Ruiz Hidalgo I, Rozema JJ, Saad A, et al. Validation of an objective keratoconus detection system implemented in a scheimpflug tomographer and comparison with other methods. Cornea. 2017;36(6):689–695. doi: 10.1097/ICO.0000000000001194
  6. Malyugin BE, Sakhnov SN, Axenova LE, Myasnikova VV. Application of artificial intelligence in diagnostics and surgery of keratoconus: a systematic overview. Fyodorov Journal of Ophthalmic Surgery. 2022;(1):77–96. EDN: PPQRWZ doi: 10.25276/0235-4160-2022-1-77-96
  7. Abdelmotaal H, Mostafa MM, Mostafa ANR, et al. Classification of Color-Coded Scheimpflug Camera Corneal Tomography Images Using Deep Learning. Transl Vis Sci Technol. 2020;9(13):30. doi: 10.1167/tvst.9.13.30
  8. Dos Santos VA, Schmetterer L, Stegmann H, et al. CorneaNet: fast segmentation of cornea OCT scans of healthy and keratoconic eyes using deep learning. Biomed Opt Express. 2019;10(2):622–641. doi: 10.1364/BOE.10.000622
  9. Kuo BI, Chang WY, Liao TS, et al. Keratoconus Screening Based on Deep Learning Approach of Corneal Topography. Transl Vis Sci Technol. 2020;9(2):53. doi: 10.1167/tvst.9.2.53
  10. Shi C, Wang M, Zhu T, et al. Machine learning helps improve diagnostic ability of subclinical keratoconus using Scheimpflug and OCT imaging modalities. Eye Vis (Lond). 2020;7:48. doi: 10.1186/s40662-020-00213-3
  11. Shukhaev SV, Mordovtseva EA, Pustozerov EA, Kudlakhmedov SS Application of convolutional neural networks to define Fuchs endothelial dystrophy. Fyodorov Journal of Ophthalmic Surgery. 2022;(S4):70–76. EDN: WEZTKV doi: 10.25276/0235-4160-2022-4S-70-76
  12. Obaid HS, Dheyab SA, Sabry SS. The impact of data pre-processing techniques and dimensionality reduction on the accuracy of machine learning. 2019 9th Annu. Inf. Technol. Electromechanical Eng. Microelectron. Conf. IEMECON. 2019:279–283. doi: 10.1109/IEMECONX.2019.8877011
  13. Valdés-Mas MA, Martín-Guerrero JD, Rupérez MJ, et al. A new approach based on Machine Learning for predicting corneal curvature (K1) and astigmatism in patients with keratoconus after intracorneal ring implantation. Comput Methods Programs Biomed. 2014;116:39–47. doi: 10.1016/j.cmpb.2014.04.003
  14. Patent RUS № RU 2793142 C1/ 29.03.2023. Rozanova OI, Tsyrenzhapova EK, Iureva TN, et al. A method of evaluating the relief of the anterior and posterior corneal surface. (In Russ).
  15. Arbelaez MC, Versaci F, Vestri G, et al. Use of a Support Vector Machine for Keratoconus and Subclinical Keratoconus Detection by Topographic and Tomographic Data. Ophthalmology. 2012;119(11):2231–2238. doi: 10.1016/j.ophtha.2012.06.005
  16. Ruiz Hidalgo I, Rodriguez P, Rozema JJ, et al. Evaluation of a Machine-Learning Classifier for Keratoconus Detection Based on Scheimpflug Tomography. Cornea. 2016;35(6):827–832. doi: 10.1097/ico.0000000000000834

补充文件

附件文件
动作
1. JATS XML
下载
2. Table 1

下载 (30KB)
索引源数据
3. Table 1-2

下载 (30KB)
索引源数据
4. Table 2

下载 (30KB)
索引源数据
5. Table 2-2

下载 (28KB)
索引源数据
6. Table 3

下载 (30KB)
索引源数据
7. Table 3-2

下载 (30KB)
索引源数据
8. Table 4

下载 (30KB)
索引源数据
9. Table 4-2

下载 (31KB)
索引源数据
10. Table 5

下载 (33KB)
索引源数据
11. Table 5-2

下载 (35KB)
索引源数据
12. Table 6

下载 (27KB)
索引源数据
13. Table 6-1

下载 (32KB)
索引源数据
14. Table 6-2

下载 (31KB)
索引源数据
15. 图1。角膜表面的控制点：a——角膜中心；b——旁中心区；c——周边区，直径为6mm。

下载 (280KB)
索引源数据
16. 图2。处理数据集的过程。

下载 (194KB)
索引源数据
17. 图3。最后一次迭代的人工神经网络示意图。

下载 (114KB)
索引源数据
18. 图4。控制台程序的神经网络操作界面（神经网络的错误答案和其校正用红色标出）。

下载 (186KB)
索引源数据
19. 图5。学习率与Epoch的关系图：a——优化前；b——优化后。

下载 (142KB)
索引源数据
20. 图6。神经网络的渐进式训练以及随后按控制点对模型的验证。

下载 (281KB)
索引源数据
21. 图7。确定角膜切开术后角膜畸形类型的误差比。

下载 (104KB)
索引源数据

版权所有 © Eco-Vector, 2024

Creative Commons License
此作品已接受知识共享署名-非商业性使用-禁止演绎 4.0国际许可协议的许可。

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».