机器学习在圆锥角膜中的应用:严重程度分级、进展预测与手术结局

《Frontiers in Cell and Developmental Biology》:Machine learning in keratoconus: severity grading, progression prediction, and surgery outcomes

【字体: 大 中 小 】 时间:2026年10月22日 来源:Frontiers in Cell and Developmental Biology 5.3

编辑推荐:

  目的:回顾并评估机器学习(ML)在圆锥角膜(KC)中的应用,重点关注严重程度分类、进展预测和手术结局预测。 方法:在PubMed、Scopus、Web of Science、IEEE Xplore和Google Scholar中对2015年1月至2025年10

  
目的:回顾并评估机器学习(ML)在圆锥角膜(KC)中的应用,重点关注严重程度分类、进展预测和手术结局预测。 方法:在PubMed、Scopus、Web of Science、IEEE Xplore和Google Scholar中对2015年1月至2025年10月间发表的英文研究进行了系统性文献检索。纳入应用ML进行KC分级、进展预测或手术结局预测的研究。提取并评估了临床任务、影像模态、模型架构、验证策略及性能等方面的数据。 结果:共识别出41篇报告,其中20篇关于严重程度分类,10篇关于进展评估,11篇关于手术结局预测。严重程度模型主要复现了临床或设备衍生的分级,而进展模型针对不同的终点,包括断层扫描变化和后续角膜交联(CXL)。手术结局模型在不同随访时间点预测了光学变化、治疗反应或移植物结局。 结论:ML在KC严重程度分类方面显示出有前景的内部性能,而在进展和手术结局预测方面的证据仍然有限。临床转化将需要标准化的终点、患者分离的评估、多中心外部验证、校准评估以及与现有临床决策规则的直接比较。
1 引言
圆锥角膜(KC)是最常见的原发性角膜扩张症,其特征为进行性基质变薄、角膜前突和不规则近视散光。其患病率在不同研究中存在差异:一项荟萃分析报告汇总患病率为1.38/1000,而另一项荟萃分析估计为2.89/1000。在后一项分析中,20–29岁成年人的患病率最高,达5.26/1000,凸显了KC在教育和早期工作生涯期间的负担。角膜地形图和断层扫描技术的进步改善了对扩张性变化的检测,而角膜胶原交联(CXL)通过限制疾病进展和减少角膜移植需求,改善了疾病管理。
尽管取得了这些进展,但在评估疾病严重程度、识别进展和规划治疗方面仍存在重要挑战。KC的病程因人而异,用于识别进展的定义和阈值的差异进一步使其评估复杂化。最大角膜曲率(Kmax)是一种常用指标,但其检测进展的敏感性取决于所应用的阈值和参考定义。临床分期系统(如Amsler–Krumeich分类)提供了描述疾病严重程度的框架,但未能捕捉到进展或视觉功能的所有方面。因此,临床决策需要的不仅仅是一个严重程度标签:临床医生还必须评估进一步进展的可能性以及治疗的预期结局。关于监测间隔、CXL时机和手术治疗的决定目前需要对断层扫描参数、屈光检查结果和视力进行综合解读。个体化预测模型能否改善这些决策及随后的患者结局仍不确定。
机器学习(ML)提供了从数据中学习模式以支持分类和预测等任务的方法。深度学习(DL)作为ML的一个子集,基于多层神经网络,特别适用于图像分析。角膜成像在KC评估中的核心作用促使人们对ML和DL在该疾病中的应用兴趣日益增长。最近的综述报告称,用于检测已确诊和亚临床KC的模型具有较高的横断面性能。然而,高诊断性能本身并不能确立这些方法在疾病监测或治疗计划中的价值。这些应用需要区分描述当前疾病严重程度、识别随时间的变化以及预测未来进展或治疗结局。现有的大部分证据来自回顾性、单中心研究,数据集较小且外部验证有限。结局定义、输入数据和验证策略的差异也使跨研究比较变得复杂。
因此,本综述审视了ML和DL在KC管理的三个领域中的应用:严重程度分类、进展评估与预测,以及手术结局预测。对于每个领域,研究人员评估了临床任务、数据来源与表示、结局定义、建模方法和验证策略。
2 方法
2.1 数据库与检索策略
研究人员进行了全面的文献检索,以识别应用ML技术于圆锥角膜的研究,特别侧重于影像分析、疾病预后和个性化治疗方法。检索策略依据PRISMA指南设计,以确保透明度和可重复性。系统检索了电子数据库,包括PubMed、Scopus、Web of Science、IEEE Xplore和Google Scholar。检索范围涵盖2015年1月至2025年10月的出版物。仅纳入英文发表的研究,以保持术语一致性并确保对方法学细节的清晰解读。
检索策略结合了受控词汇(MeSH词条)和与圆锥角膜及人工智能相关的自由文本关键词。用于PubMed的核心检索字符串为:“keratoconus” OR “corneal ectasia” AND “deep learning” OR “artificial intelligence” OR “machine learning” OR “neural network” OR “transformer” OR “AI”。
2.2 研究筛选与证据协调
所有数据库的参考文献均在Zotero中进行整理和去重。两名研究者独立根据预定义的纳入标准筛选标题和摘要。针对每个数据库调整等效检索词,并手动筛查相关文章和近期综述的参考文献列表,以确保覆盖全面。
合格的研究包括:使用ML方法进行KC分级、进展预测和手术结局预测的原创研究;采用角膜地形图、断层扫描、OCT和Scheimpflug成像等影像模态;并提供关于模型架构、数据集特征和验证的充分方法学细节。排除标准为:综述文章、无定量结果的会议摘要、仅关注经典计算机视觉方法的研究,或与KC无关的研究。
排除无关参考文献后,根据以下标准审查全文:(1)明确的KC任务定义;(2)使用了ML方法;(3)详细的性能参数;(4)数据的完整性。每个标准进行评分,得分为4分的研究被视为高质量。筛选和质量评估由两名研究者独立进行,分歧由第三方裁决。
2.3 数据提取
数据提取包括研究目标、任务定义、影像模态、模型架构、数据集规模、验证策略、性能指标和关键结论。外部验证和可解释性分析也被记录。最终数据集包含来自眼科、生物医学工程和计算成像期刊的同行评审研究,确保了临床和技术代表性的平衡。以上所有数据均被提取至Microsoft Excel中。
3 结果
共有41篇报告被纳入三个预定义类别:20篇关于圆锥角膜严重程度分类,10篇关于进展评估或预后,11篇关于KC治疗后结局的预测。在这些研究中,数据来源和评估模态包括Scheimpflug断层扫描、Placido盘式或组合地形图系统、角膜生物力学评估、前节OCT(AS-OCT)以及正面或侧面角膜图像,部分手术结局研究还补充了Orbscan衍生参数。建模方法涵盖了从传统机器学习算法到深度卷积神经网络(CNN)、循环神经网络(RNN)、时延神经网络、基于变分自编码器的聚类以及图像到图像预测模型等多种类型。
3.1 圆锥角膜严重程度分类
3.1.1 研究特征与任务定义
二十篇报告评估了用于圆锥角膜严重程度分类或表征的ML方法。分类模型使用了多种类型的眼部数据。Pentacam数据集被多个研究组报告。Gao等人使用了SCHWIND衍生的地形图,Ambalgekar等人和Shashank等人分析了来自未识别设备的角膜地形图图像,Kamiya等人使用了TMS-4绝对轴向图,Mahmoud等人则结合了正面和侧面角膜图像。严重程度分类任务主要是多类别的。分类任务使用了0–4期分级、包括亚临床KC在内的六类别方案以及正常、轻度、中度和晚期四类别方案。这些目标在其参考标准和病例谱上有所不同。其他任务包括连续严重程度评分和探索性严重程度表征。
数据集规模以不同单位报告,包括眼数、扫描次数、增强图像数和记录数。例如,Chen等人在一个五类别的Pentacam队列中纳入了1926次断层扫描,Kamiya等人分析了349只眼的TMS-4数据,Malyugin等人评估了852只眼的Pentacam数据,Herber等人纳入了434只眼的生物力学测量数据,Shashank等人使用了2071张增强地形图图像,Alyasseri等人则分析了5430份巴西Pentacam记录和1531份日本CASIA记录。
3.1.2 模型应用与特征策略
传统的ML方法主要应用于结构化的断层扫描和生物力学参数。Muhsin等人比较了随机森林与逻辑回归和支持向量机;Malyugin等人将特征选择和降维与逻辑回归和二次判别分析相结合;Herber等人对生物力学和厚度特征使用了随机森林和线性判别分析;Hallett等人则将无监督表示学习与有监督多层感知器分类器集成。Alyasseri等人进一步探索了使用Pentacam和CASIA设备50个参数的辅助特征选择聚类方法。深度学习研究则直接分析地形图和角膜图像。Gao等人开发了一个基于ResNet18的网络,结合自注意力和多级特征融合,使用了五张SCHWIND彩色编码图;Dhinakaran等人比较了ResNet50和EfficientNet-B0在彩色编码角膜地形图图像上的表现。Ambalgekar等人使用Inception V3架构处理角膜地形图,并以MobileNet和CNN作为对照;Chen等人和Kamiya等人均使用了基于VGG16的CNN模型,但采用了不同的地图组合和成像平台。为了利用更丰富的空间信息,还开发了更专门的架构:Mahmoud等人通过3D重建结合了正面和侧面角膜图像;Shashank等人引入了一个定制的Con-Ker CNN,整合了地形图、厚度图和曲率图。这些研究既使用了基于手工参数的传统模型,也采用了端到端的基于图像的学习方法。
3.1.3 模型性能与验证
在传统ML模型中,Muhsin等人报告称,随机森林在使用三个选定的Pentacam参数时实现了非常高的五类别性能,准确率达0.9862。在同一数据集中,逻辑回归和支持向量机的性能较低,逻辑回归准确率约为0.738,支持向量机准确率为0.800。Malyugin等人报告了在正常、亚临床和1–4期之间的平均AUC为0.97,各期别特异性AUC分别为0.98、0.95、0.96–0.97和1.00。Herber等人使用Corvis衍生的生物力学和厚度参数,获得了随机森林总体准确率0.78和线性判别分析0.71的结果。
基于深度学习的断层扫描或地形图模型通常报告了较高的判别能力。Gao等人报告,其基于ResNet18的注意力/融合网络在四折交叉验证中,加权召回率为0.8955,加权精确率为0.8998,加权F1分数为0.8950,Cohen's kappa为0.9438。Dhinakaran等人报告ResNet50和EfficientNet-B0在Pentacam四类别分级中的准确率均为0.95。Ambalgekar等人报告Inception V3在角膜地形图上的总体准确率为0.9423。Shashank等人报告其Con-Ker模型的准确率为0.946。
对于基于彩色地图的Pentacam CNN,Chen等人报告VGG16在一个包含532次扫描的外部伊朗数据集中,五类别AUC为0.859。Kamiya等人观察到五个等级间的总体准确率为78.5%,AUC范围为0.888至0.997;各类别的敏感性、特异性和准确性各异,0级的性能较高,而3级的敏感性较低,仅为0.281。Mahmoud等人报告结合正面和侧面图像的总体准确率为0.9780,但显示的混淆矩阵对角线给出了250/268的正确分类,这一内部不一致限制了所报告准确率的解读。
Hallett等人报告,对29个Pentacam参数进行的无监督聚类在将眼睛分配到Amsler–Krumeich 1–4期时,最佳运行准确率为82.4%,20次运行的平均准确率为76.9%±3%。其有监督的多层感知器实现了略低的总体准确率73.9%。Alyasseri等人使用花授粉辅助的K-means对50个Pentacam/CASIA参数进行分析,报告五类别准确率为0.7520。
Issarti等人的Logik研究将其模型与Belin–Ambrósio增强型扩张显示和地形图圆锥角膜分类进行了比较,推导出一个连续的严重程度评分,并包含一个独立中心评估组件。
验证设置在聚类和严重程度评分研究中各不相同。Yousefi等人将无监督聚类结果与设备衍生的扩张指数进行了解读,但没有进行独立的测试集分级评估。Bolarín等人报告了使用RETICS分级系统的形态几何分类训练准确率为69.8%,而一份关于早期和轻度KC自动评分的相关报告对同一中心的后期样本进行了评估,获得了71%的准确率,但95%置信区间较宽。
3.2 圆锥角膜进展评估与预测
3.2.1 研究特征与任务定义
十篇报告评估了进展评估或预测。断层扫描衍生的测量值被用作预测变量或用于生成进展标签。Shetty等人使用了一种基于Kmax变化的动态标记策略。首次就诊作为每只眼的初始参考。随后每次就诊根据Kmax是否超过预定阈值被标记为“进展”或“无进展”。测试了三个阈值:0.75 D、1.0 D和1.25 D,分别对应模型A、B和C。一旦检测到进展,该次就诊就成为评估后续就诊的新参考。Kundu等人前瞻性地收集了临床风险因素,并在Shetty等人基于Pentacam模型生成的进展标签之上构建了一个随机森林分类器。Kato等人根据随访期间(6周至8.6年)是否接受CXL对眼睛进行分类。Jiménez-García等人要求每位患者至少进行三次随访,并将第三次就诊时的进展定义为五项断层扫描指标中任何一项相对于基线发生超出95%置信区间的恶化性变化。
在样本量方面,Kundu等人分析了450只眼。Shetty等人纳入了366只眼和1884次Pentacam扫描,各模型的进展样本数量因模型而异。Kato等人纳入了274只眼,其中90只被归类为CXL+,184只为CXL-。Jiménez-García等人经过筛选后,为报告的序列构建纳入了来自421名患者的629只眼。Kamiya等人研究了来自两家医院的218名患者的218只眼,使用了AS-OCT图谱和过去12个月内记录的进展。
3.2.2 模型应用与特征策略
模型使用了断层扫描图谱、结构化断层扫描测量值或临床及全身性预测因子。Hartmann等人比较了图像与数值联合输入、仅数值输入和仅图像输入的模型。Shetty等人在一个随机森林分类器中使用了断层扫描曲率、厚度、不规则性和光学像差特征,并在三种Kmax阈值情景下进行了测试。Kundu等人使用眼表风险因素和全身标志物作为随机森林分类器的预测因子。Kato等人训练了一个VGG16 CNN,使用三张Pentacam彩色编码图,并辅以年龄作为额外预测因子,将眼睛分类为CXL+或CXL-。Jiménez-García等人使用时延神经网络,结合年龄和五项断层扫描指标,从多次就诊中捕获时间信息。该时延研究将就诊三元组拆分用于开发和测试;但未建立眼或患者级别的独立性。
3.2.3 模型性能与验证
性能与验证结果按四个终点组分别解读:未来断层扫描变化、既往观察到的或算法定义的变化、早期检测或纵向表型分析,以及后续CXL转诊或实施。
对于未来断层扫描变化,Jiménez-García等人的时延神经网络利用既往就诊数据,在第三次就诊时报告敏感性70.8%、特异性80.6%、阳性预测值71.4%和阴性预测值80.2%。Hartmann等人报告联合输入的准确率为0.83,而仅数值变量为0.82,仅图像为0.77。
对于既往观察到的或算法定义的变化,Shetty等人报告在0.75、1.00和1.25 D的Kmax阈值下,AUC分别为0.90、0.91和0.93;相应的敏感性、特异性、准确率和F1分数也随之提高。Kundu等人报告AUC为0.812。Kamiya等人报告年龄校正后的准确率为0.849。
对于早期检测和纵向表型分析,Reddy等人检测到进展信号比常规K1或K2变化1 D平均提前11.1个月。Cao等人将6个月的断层扫描变化聚类为快速、缓慢和最小变化三种表型。Han等人模拟了可变随访期内后表面高度的稳定性。
对于治疗政策终点,Kato等人预测了后续CXL的实施情况,AUC为0.814,敏感性77.8%,特异性69.6%;Cohen-Tayar等人预测了后续CXL转诊,AUC从单次检查的0.59提高到系列检查的0.75。
3.3 圆锥角膜手术结局预测
3.3.1 研究特征与任务定义
十一篇报告评估了预测KC治疗后结局的ML模型。这些治疗包括角膜交联、角膜内环植入术和角膜移植术。在这11篇报告中,目标包括术后视力和屈光结局、角膜厚度、CXL后进展、复合移植物结局、移植物排斥反应以及术后角膜图谱。随访时间因手术方式和终点而异。
3.3.2 模型应用与特征策略
对于CXL结局,Liu等人使用XGBoost预测视力和Kmax的变化,Statsenko等人使用LightGBM估计角膜厚度,Wan等人评估了一个结合Kmax和表面方差的列线图用于预测CXL后进展。ICRS研究使用了多种输入和建模策略。Mehdizadeh Dastjerdi等人为KeraRing或MyoRing植入后6个月和12个月的结局开发了单独的前馈人工神经网络:地形图模型使用了散光度、K值和厚度以及环直径和厚度,而视觉模型则使用了五个术前视觉参数以及相同的环特征。Hassan Musa等人描述了一个带有长短期记忆的循环神经网络,使用裸眼视力、球镜、散光、轴位和最佳矫正视力作为术后视觉预测的输入。Perez等人评估了使用MS-39图谱和临床数据的CatBoost和XGBoost,Lyra等人使用线性回归进行环的选择,Fariselli等人使用人工神经网络指导ICRS规划。对于角膜移植术,Kundu等人将术前临床因素和Pentacam参数结合到一个随机森林分类器中,而Feizi等人比较了五种使用受体、供体、手术和术后变量的模型。对于术后图谱生成,F?rat等人分析了来自96名患者的125只眼的配对图像,将U-Net的分类输出替换为回归层,并使用术前图像以及在术前和术后图谱之间插值的图像。
3.3.3 模型性能与验证
对于CXL相关结局,Liu等人预测了CXL后2年矫正远视力(CDVA)和Kmax的变化,在后续的同中心队列中,时间验证的决定系数分别为0.8956和0.8382。Statsenko等人报告CXL后最小角膜厚度的测试均方根误差为19.22 μm,中央角膜厚度为19.68 μm,而Wan等人报告高危险组的CXL后进展率为51.4%,低危险组为16.0%。
对于ICRS规划和术后光学或视觉结局,Mehdizadeh Dastjerdi等人报告整个数据集的平均绝对百分比误差,地形图指数为7.29%,视觉参数为8.60%;留一法交叉验证中的相应平均误差分别为6.82%和7.65%。Perez等人预测了环植入后的视力、角膜曲率和非球面性,视力R2为0.59,平均角膜曲率平均绝对误差为1.08 D。Lyra等人比较了回归模型与制造商列线图:非球面性平均绝对误差为0.19对比0.30,平均角膜曲率平均绝对误差为1.18对比1.27 D。Fariselli等人也采用了类似的比较方法,在两组各20只眼中比较了人工神经网络引导和制造商列线图引导的ICRS植入。3个月时,人工神经网络组的平均小数CDVA从0.60提高到0.73,而列线图组从0.54提高到0.62,人工神经网络组的术后CDVA显著优于列线图组。Hassan Musa等人报告了KeraRing植入后6个月和12个月视觉结局预测的测试集相关性R分别为0.949和0.923,MyoRing植入后分别为0.920和0.909。
对于角膜移植术结局,Kundu等人使用随机森林模型对250只眼深板层角膜移植术后至少5年随访的良好与不良结局进行分类,结合术前临床因素和Pentacam参数,该模型在留一法交叉验证中达到了AUC 0.957和报告的分类准确率91.4%。而Feizi等人则检查了移植物排斥反应。他们评估了五种ML模型在1214只眼行穿透性角膜移植术或深板层角膜移植术后发生移植物排斥反应的情况。采用80:20的训练-测试划分,模型产生的C统计量为0.664–0.675,测试准确率为74.2%–76.3%。
对于术后图谱生成,F?rat等人报告了生成的图谱与观察到的术后6个月CXL图谱相比,平均结构相似性指数为0.8266,像素级均方根误差为0.134,峰值信噪比为65.850。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号