机器学习算法来检测亚临床圆锥形角膜:系统性回顾gydF4y2Ba

介绍gydF4y2Ba

背景gydF4y2Ba

圆锥形角膜的角膜是一种双边扩张的疾病可以通过角膜变形导致视力丧失和疤痕gydF4y2Ba1gydF4y2Ba,gydF4y2Ba2gydF4y2Ba]。圆锥形角膜的流行变化从1 375年北欧人(gydF4y2Ba3gydF4y2Ba]高达1在一些民族在48 [gydF4y2Ba4gydF4y2Ba,gydF4y2Ba5gydF4y2Ba),研究表明更高的发病率在中东,西印度和亚洲人口速度进展(gydF4y2Ba6gydF4y2Ba- - - - - -gydF4y2Ba8gydF4y2Ba]。疾病的发病通常发生在青春期,与后续的进展速度变量在2到3年(gydF4y2Ba6gydF4y2Ba]。最近的一项荟萃分析发现,17岁以下患者可能进步超过1.5 D KgydF4y2Ba_{马克斯gydF4y2Ba}超过12个月,那些陡峭的KgydF4y2Ba_{马克斯gydF4y2Ba}超过55 D有可能至少1.5 D KgydF4y2Ba_{马克斯gydF4y2Ba}进展(gydF4y2Ba6gydF4y2Ba]。gydF4y2Ba

随着疾病的进展,角膜变形可以达到一个阶段spectacle-corrected愿景是不够的,和病人必须依靠软或刚性隐形眼镜能达到良好的视觉功能gydF4y2Ba9gydF4y2Ba]。然而,隐形眼镜并不总是容忍,和视力障碍会严重影响生活质量gydF4y2Ba10gydF4y2Ba,gydF4y2Ba11gydF4y2Ba]。在自然病程,大约20%的病人提供角膜移植来改善他们的视力,但术后并发症的风险(如微生物角膜炎和炎症),潜在的同种异体移植物排斥反应,移植失败(gydF4y2Ba7gydF4y2Ba,gydF4y2Ba12gydF4y2Ba,gydF4y2Ba13gydF4y2Ba]。识别与圆锥形角膜的大多数人因为视觉障碍的症状或散光增加折射。因此,这是不可避免的,大多数患者检测到圆锥形角膜在视觉恶化的阶段已经发生(gydF4y2Ba14gydF4y2Ba]。gydF4y2Ba

圆锥形角膜的检测在早期阶段以来越来越有关角膜胶原交联的引入(CXL)。这是一个光化学与光对紫外线a治疗角膜核黄素(维生素B2)的应用后,可以逮捕圆锥形角膜的发展在98.3%的眼睛,即使在相对先进的情况下(gydF4y2Ba15gydF4y2Ba- - - - - -gydF4y2Ba20.gydF4y2Ba]。早期治疗视觉损失减小到最低限度的好处是明显的,有证据表明,它是具有成本效益的gydF4y2Ba21gydF4y2Ba- - - - - -gydF4y2Ba23gydF4y2Ba),但提高早期诊断以社区为基础的验光师的机制是具有挑战性的,因为无症状患者亚临床疾病不太可能寻求评论(gydF4y2Ba14gydF4y2Ba]。改进检测可能需要访问或有效改善社区筛查与昂贵的成像设备(gydF4y2Ba24gydF4y2Ba]。gydF4y2Ba

机器学习是人工智能的一个分支集中在编写一个软件能够学习的数据在一个自治的方式通过最小化损失函数或最大化的可能性(gydF4y2Ba25gydF4y2Ba]。它可以大致分为监督或无监督学习(gydF4y2Ba26gydF4y2Ba]。在监督学习算法训练与输入数据标签所需的输出,以便它可以预测从无标号数据输入输出gydF4y2Ba27gydF4y2Ba]。相比之下,在无监督学习算法并不是训练使用带安全标签的数据。相反,该算法用于识别模式或集群的数据(gydF4y2Ba28gydF4y2Ba]。当应用到圆锥形角膜检测领域,机器学习可用于分析大量角膜参数可以从角膜成像以及其他临床和生物措施,如视力和折射来预测疾病(gydF4y2Ba29日gydF4y2Ba]。也可以直接用于图像数据在像素级的工作gydF4y2Ba30.gydF4y2Ba]。深入学习,机器学习的一个特定的分支,使用人工神经网络(NNs)和多层处理输入数据(gydF4y2Ba31日gydF4y2Ba]。特别适合角膜图像的分割或分类(gydF4y2Ba32gydF4y2Ba]。机器学习和深度学习可以促进优越的诊断能力,实现为自动化筛选工具时,可能导致在病例检出方面的重大进展,减轻新成像硬件的成本和负担眼科医疗保健专业人士(gydF4y2Ba33gydF4y2Ba]。此外,通过无监督学习,它可能会发现以前未知的疾病亚型或特性(gydF4y2Ba34gydF4y2Ba,gydF4y2Ba35gydF4y2Ba]。gydF4y2Ba

与糖尿病性视网膜病变,它使用广泛采用诊断分级系统(早期治疗糖尿病性视网膜病变的研究)gydF4y2Ba36gydF4y2Ba)和早期疾病的诊断是基于离散实体的存在对视网膜(如微动脉瘤),亚临床诊断分级圆锥形角膜尚未达成的共识(gydF4y2Ba37gydF4y2Ba]。常用的分级系统,如Amsler-Krumeich [gydF4y2Ba38gydF4y2Ba]和ABCD [gydF4y2Ba39gydF4y2Ba)不要专门为亚临床角膜包括一个年级。更详细的信息关于圆锥形角膜分级系统是可用的gydF4y2Ba多媒体附录1gydF4y2Ba(gydF4y2Ba37gydF4y2Ba- - - - - -gydF4y2Ba43gydF4y2Ba]。gydF4y2Ba

病例定义为圆锥形角膜gydF4y2Ba

几个词描述了早期的圆锥形角膜视力受到影响之前,包括印版圆锥角膜(FFKC),圆锥形角膜嫌疑人,亚临床角膜,临床前圆锥形角膜。最常用的术语FFKC和亚临床角膜,但没有共识的定义(gydF4y2Ba44gydF4y2Ba]gydF4y2Ba。gydF4y2Ba

我们包括所有文件包含一个可识别的子群的眼睛与任何上述定义,因为重叠的命名和缺乏证据,如果有,构成特定的风险发展为临床圆锥形角膜。我们排除了论文只考虑与建立了圆锥形角膜的眼睛。gydF4y2Ba

目标gydF4y2Ba

本研究的目的是批判性评价文献的算法检测亚临床圆锥形角膜及其等价的定义。先进的临床圆锥角膜的诊断比较容易,这样发展中机器学习算法来确定先进的疾病有有限的效用。因此,我们导演这审查出版物,包括检测亚临床圆锥形角膜因为识别这些人将与CXL允许早期治疗,减少疾病恶化的可能性和视觉丧失。我们结构化审查都可用在不同类型的输入数据(参数、指标和角膜成像系统)和圆锥形角膜的机器学习算法检测。此外,我们调查了验证方法在每个研究和评估潜在的偏见。gydF4y2Ba

研究问题gydF4y2Ba

我们的具体研究问题如下:gydF4y2Ba

1. 研究问题1:输入数据类型使用在亚临床圆锥形角膜检测算法和他们表现如何?gydF4y2Ba
2. 研究问题2:机器学习算法用于亚临床圆锥形角膜检测和他们表现如何?gydF4y2Ba
3. 研究问题三:选定的手稿中算法验证处理怎么样?gydF4y2Ba

方法gydF4y2Ba

搜索策略gydF4y2Ba

我们进行了文献综述证据的实用机器学习应用于检测圆锥形角膜发表在1月1日,2010年和2020年10月31日。棱镜(首选项报告系统评价和荟萃分析)声明2009标准gydF4y2Ba45gydF4y2Ba]随后搜索4书目数据库:MEDLINE、Embase,网络科学,和Cochrane图书馆使用关键字搜索的标题、摘要和关键词。评审没有注册,并没有准备的协议。gydF4y2Ba

我们使用以下关键字搜索文献综述在书目数据库:gydF4y2Ba((角膜)或(角膜* protru *)或(角膜*扩张))和((算法)或(机器学习*)或(深学习*)(人工智能)或(检测*)或(诊断*)或(屏幕*)或(examin *)或(分析*)或(investigat *)或(identif *)或(发现*)或(解释*)或(测试*))gydF4y2Ba

包含和排除标准gydF4y2Ba

我们包括研究调查检测早期圆锥角膜或包括早期疾病患者的一组中,按照下列条件之一的定义:亚临床圆锥形角膜,FFKC,临床前圆锥形角膜,疑似圆锥形角膜,单边圆锥形角膜(正常的眼睛)和非对称扩张(正常的眼睛)和任何定义认为相当于上述条款。研究应该报道他们的模型的性能在一个单独的数据集的训练数据集(通常称为验证或测试集)。这包括分裂的数据集分为训练集和测试集(例如,70%的训练,30%测试),K-fold交叉验证(简单的分裂的延伸,但是这个过程重复K倍,例如,当gydF4y2BaKgydF4y2Ba= 10,模型训练数据集分割成90%和10%测试,并不断重复10次,每次选择一个不同的分区10%用于测试),或证据的验证研究的目的是评估先前派生模型在新数据集(也称为外部验证)。最后,全文的文章应该是可用的,只有论文发表在英语被认为是。gydF4y2Ba

我们排除了论文检测的基础上早期圆锥形角膜定义为1或2 Amsler-Krumeich阶段,因为这代表建立了圆锥形角膜与临床和地形特征(gydF4y2Ba46gydF4y2Ba]。gydF4y2Ba

数据合成gydF4y2Ba

入选标准的基础上,2个评论者(HM和JPOL)最初的筛选结果。这些结果被筛选排除标准的HM和NP。棱镜图提出了gydF4y2Ba图1gydF4y2Ba。会议的任何分歧包含或排除标准是通过讨论来解决。一旦组文章定稿,2评论者(HM和JPOL)分析每一篇文章并提取以下信息在表中给出的大师gydF4y2Ba多媒体附录2gydF4y2Ba(gydF4y2Ba14gydF4y2Ba,gydF4y2Ba47gydF4y2Ba- - - - - -gydF4y2Ba71年gydF4y2Ba]:作者和年份、标题、系统、样品来源,国家,年龄,性别,眼睛为每个组,诊断细节,确认细节,输入详细信息,输入类型、方法、分类组,敏感性、特异性、准确性、精密,接受者操作特征曲线下面积(AUC),和源代码可用性。我们总结出最重要的信息的结果gydF4y2Ba表1gydF4y2Ba。主要影响措施寻求敏感性和特异性。如果这些统计数据是不能直接可以从这篇文章中,他们使用他们的标准定义手动计算gydF4y2Ba72年gydF4y2Ba]。视觉上比较结果,我们绘制的所有研究的敏感性和特异性诊断标准及检测系统gydF4y2Ba多媒体附录3gydF4y2Ba。gydF4y2Ba

‎gydF4y2Ba 把这个图gydF4y2Ba

偏差的评估gydF4y2Ba

当评估偏见中包括研究中,我们使用一个定制版本的显得无用(质量评估诊断准确性的研究)2工具(gydF4y2Ba73年gydF4y2Ba),由4域:病人选择,指数测试,参考标准,流程,和时机。26研究评估3评论者(嗯,JPOL和NP),每项研究评估了至少2评论家。gydF4y2Ba

结果gydF4y2Ba

概述gydF4y2Ba

我们确认1998可能在2010 - 2020年间发表相关论文。过滤后,我们在定性分析包括26个文章。gydF4y2Ba表1gydF4y2Ba总结了这些结果,可以在一个更广泛的版本gydF4y2Ba多媒体附录2gydF4y2Ba。为了解决研究问题1,讨论的结果是在输入数据。图表显示总可以找到敏感性和特异性gydF4y2Ba多媒体附录3gydF4y2Ba。为了解决研究问题2,结果被认为是用机器学习算法。gydF4y2Ba图2gydF4y2Ba和gydF4y2Ba3gydF4y2Ba现在的组织图的数据分类和机器学习算法,分别。为了保持一致性,我们选择使用这个词gydF4y2Ba亚临床圆锥形角膜gydF4y2Ba在不管原始作者使用的术语。原词是包含在括号,确切的定义中可以找到的细节gydF4y2Ba多媒体附录2gydF4y2Ba。gydF4y2Ba

‎gydF4y2Ba 把这个图gydF4y2Ba

‎gydF4y2Ba 把这个图gydF4y2Ba

研究问题1:输入数据类型使用在亚临床圆锥形角膜检测算法和他们表现如何?gydF4y2Ba

本节根据输入数据细分类型用于检测亚临床角膜,提出在组织结构图gydF4y2Ba图2gydF4y2Ba。gydF4y2Ba

AberrometrygydF4y2Ba

Aberrometry被用来检测亚临床圆锥形角膜在论文[31% (8/26)gydF4y2Ba47gydF4y2Ba- - - - - -gydF4y2Ba49gydF4y2Ba,gydF4y2Ba51gydF4y2Ba,gydF4y2Ba55gydF4y2Ba,gydF4y2Ba61年gydF4y2Ba,gydF4y2Ba65年gydF4y2Ba,gydF4y2Ba71年gydF4y2Ba]。畸变是由光的折射表面质量的缺陷,包括角膜和晶状体。高阶像差(卖家)测量变形的平面光通过光学波前的眼睛。然而,卖家也可以间接地来自任何失真的测量(如高程)的角膜表面。他们可以被描述为一组泽尼克多项式或与傅里叶分析。使用泽尼克方法,畸变可以subclassified低阶像差和肥厚性骨关节病变与肺部转移。低阶像差包括简单的散焦(近视或远视)和规则散光,占大约90%的正常眼的屈光不正(gydF4y2Ba74年gydF4y2Ba]。最临床相关的肥厚性骨关节病变与肺部转移的球面像差,昏迷,三叶草,无法纠正的眼镜或软性隐形眼镜。在圆锥形角膜前后表面的不规则变形的角膜引起视觉显著肥厚性骨关节病变与肺部转移。Arbelaez et al (gydF4y2Ba47gydF4y2Ba]分析了这些参数在亚临床圆锥形角膜检测模型,包括一个加权和的肥厚性骨关节病变与肺部转移(称为Baiocchi-Calossi-Versaci指数)和肥厚性骨关节病变与肺部转移的均方根。此外,5其他研究也使用派生的泽尼克aberrometry数据(gydF4y2Ba48gydF4y2Ba,gydF4y2Ba49gydF4y2Ba,gydF4y2Ba51gydF4y2Ba,gydF4y2Ba65年gydF4y2Ba,gydF4y2Ba71年gydF4y2Ba]gydF4y2Ba。gydF4y2Ba

角膜影像数据和派生参数gydF4y2Ba

概述gydF4y2Ba

角膜影像被用来检测亚临床圆锥形角膜在96%(25/26)的论文。有各种各样的采集技术,包括Scheimpflug光学(Pentacam(眼睛GmbH)或天狼星(方案)),前部分光学相干断层扫描(AS-OCT;MS-39(方案),或者CASIA [Tomey]),和水平slit-scanning系统,如Orbscan II(博士)。这些系统将软件处理图像获得数值指标或二级图像,如热量地图、可视化角膜形状的各个方面。这些参数可以分为测量角膜表面的曲率半径(角膜散光计),海拔或抑郁的角膜表面的一个点(海拔地图),角膜厚度(pachymetry),或者从角膜的顶点位移。gydF4y2Ba图4gydF4y2Ba说明了主要参数类型示意图。gydF4y2Ba图5gydF4y2Ba显示了一个示例Pentacam热图的眼睛与亚临床圆锥形角膜。看到gydF4y2Ba多媒体附录4gydF4y2Ba例如先进的圆锥形角膜(同一个病人的眼睛)。gydF4y2Ba

‎gydF4y2Ba 把这个图gydF4y2Ba

‎gydF4y2Ba 把这个图gydF4y2Ba

下面我们简要讨论使用定量措施源于角膜成像当单独使用或结合机器学习模型。gydF4y2Ba

角膜散光计参数gydF4y2Ba

Keratometric数据是最常用的参数之一,在文献中,有69%(18/26)的论文将角膜散光计参数的在他们的模型中(gydF4y2Ba14gydF4y2Ba,gydF4y2Ba47gydF4y2Ba- - - - - -gydF4y2Ba49gydF4y2Ba,gydF4y2Ba51gydF4y2Ba- - - - - -gydF4y2Ba54gydF4y2Ba,gydF4y2Ba56gydF4y2Ba,gydF4y2Ba57gydF4y2Ba,gydF4y2Ba59gydF4y2Ba,gydF4y2Ba61年gydF4y2Ba,gydF4y2Ba65年gydF4y2Ba,gydF4y2Ba68年gydF4y2Ba,gydF4y2Ba71年gydF4y2Ba,gydF4y2Ba75年gydF4y2Ba]。Keratometric参数测量曲率半径的前部或后部角膜表面。例子包括经络与相对应的最低角膜曲率半径(KgydF4y2Ba_{马克斯gydF4y2Ba})和最大曲率(对应于KgydF4y2Ba_{最小值gydF4y2Ba})。当看个人keratometric参数派生使用傅里叶分析亚临床圆锥形角膜检测、Sideroudi et al (gydF4y2Ba59gydF4y2Ba)实现了预测的准确性超过90%使用高阶违规行为,不对称,和规则散光,主要在角膜周边。gydF4y2Ba

海拔高度参数gydF4y2Ba

总体而言,62%(16/26)的论文包含高程参数分析(gydF4y2Ba47gydF4y2Ba- - - - - -gydF4y2Ba53gydF4y2Ba,gydF4y2Ba57gydF4y2Ba,gydF4y2Ba58gydF4y2Ba,gydF4y2Ba61年gydF4y2Ba- - - - - -gydF4y2Ba65年gydF4y2Ba,gydF4y2Ba68年gydF4y2Ba,gydF4y2Ba70年gydF4y2Ba]。海拔代表点高于或低于BFS角膜表面的测量微米(gydF4y2Ba图4gydF4y2Ba)。对于后角膜,这是测量作为散度的最适合整体后角膜直径或分歧的最适合的环外围后角膜表面中央4毫米(外gydF4y2Ba76年gydF4y2Ba]。后一种方法,Belin-Ambrosio地图,更好地描述了中央角膜高度,这是一个圆锥形角膜的特性。值可以作为彩色地图或个别参数如最大的前立面,最大后,或aberrometry等派生数据。gydF4y2Ba

后角膜曲率一致优于其他参数的歧视亚临床圆锥形角膜(gydF4y2Ba47gydF4y2Ba,gydF4y2Ba49gydF4y2Ba,gydF4y2Ba56gydF4y2Ba,gydF4y2Ba57gydF4y2Ba]。其包含的敏感性增加支持向量机(SVM)精度从75.2%到92%,从57.4%降至78.8%,但对特异性(影响有限gydF4y2Ba47gydF4y2Ba]。后角膜曲率,测量使用Pentacam (Scheimpflug)设备和分析使用一个支持向量机,也被发现是一个重要的参数灵敏度和更少的特异性和AUC [gydF4y2Ba14gydF4y2Ba]。同样,使用伽利略(Scheimpflug)设备,后非球面性不对称指数发现最多的变量歧视性的权力从亚临床角膜区分正常时,紧随其后的是角膜体积(gydF4y2Ba49gydF4y2Ba]。相反,分析前表面地形参数和aberrometry使用随机森林算法没有歧视亚临床圆锥形角膜(非常不对称ectasia-normal地形)从正常的眼睛gydF4y2Ba65年gydF4y2Ba]。gydF4y2Ba

萨阿德et al (gydF4y2Ba54gydF4y2Ba]表明,结合参数获得前角膜角膜波前曲率和Placido-derived指标导致更好的区别的能力之间的正常和亚临床圆锥形角膜的眼睛(FFKC) Placido-only-based算法。gydF4y2Ba

位移参数gydF4y2Ba

总共有23%(6/26)的论文使用位移参数分析(gydF4y2Ba48gydF4y2Ba,gydF4y2Ba50gydF4y2Ba,gydF4y2Ba52gydF4y2Ba,gydF4y2Ba53gydF4y2Ba,gydF4y2Ba62年gydF4y2Ba,gydF4y2Ba75年gydF4y2Ba]。这些代表点的位移等措施角膜的角膜厚度最小顶点。其中3篇论文使用最薄点的位移的几何中心角膜在他们的模型中(gydF4y2Ba48gydF4y2Ba,gydF4y2Ba52gydF4y2Ba,gydF4y2Ba77年gydF4y2Ba]。Kovacs et al (gydF4y2Ba53gydF4y2Ba)使用最薄点的垂直和水平偏心,发现它们是最好的参数来区分正常的眼睛角膜的眼睛使用神经网络控制。gydF4y2Ba

Pachymetry参数gydF4y2Ba

总体而言,77%(20/26)的论文用pachymetry数据在他们的模型中,使其成为最常用的参数在文献[gydF4y2Ba14gydF4y2Ba,gydF4y2Ba47gydF4y2Ba- - - - - -gydF4y2Ba49gydF4y2Ba,gydF4y2Ba51gydF4y2Ba- - - - - -gydF4y2Ba53gydF4y2Ba,gydF4y2Ba55gydF4y2Ba- - - - - -gydF4y2Ba58gydF4y2Ba,gydF4y2Ba61年gydF4y2Ba- - - - - -gydF4y2Ba65年gydF4y2Ba,gydF4y2Ba69年gydF4y2Ba- - - - - -gydF4y2Ba71年gydF4y2Ba]。Pachymetry角膜的厚度,测量使用超声波或成像技术。简单的例子包括中央角膜厚度和最薄的角膜。中央角膜厚度的减少是一个基本的圆锥形角膜生物标志物(gydF4y2Ba2gydF4y2Ba]。gydF4y2Ba

摘要指数gydF4y2Ba

总的来说,23%(6/26)的论文摘要指数用于他们的模型(gydF4y2Ba14gydF4y2Ba,gydF4y2Ba49gydF4y2Ba,gydF4y2Ba53gydF4y2Ba,gydF4y2Ba65年gydF4y2Ba,gydF4y2Ba68年gydF4y2Ba,gydF4y2Ba78年gydF4y2Ba]。除了单个参数测量(例如,中央角膜厚度),层析系统,如Pentacam可以结合测量计算派生指标,估计角膜形状的规律性。表面差异的基本指数等指数,指数的垂直不对称,或高度不对称指数是由多个数据点。综合指标形成与其他指标和数据点。例子包括圆锥形角膜指数、圆锥形角膜比例指数,贝林/(增强型扩张显示(BAD-D)。在最近的一项研究中,史等(gydF4y2Ba68年gydF4y2Ba]使用6 Pentacam连同keratometric指数,海拔和pachymetric参数来源于Pentacam和超高分辨率的光学相干断层扫描来创建一个神经网络分类器区分正常和亚临床角膜的眼睛。使用50正常的眼睛,38眼睛角膜,与亚临床角膜和33的眼睛,他们取得了敏感性98.5%,特异性94.7%。然而,结果需要进一步验证,因为少量的眼睛在这一组。此外,作者不包括比较现有的检测指标,如BAD-D。gydF4y2Ba

热点图gydF4y2Ba

总共有8%(2/26)的论文热图用于检测模型(gydF4y2Ba66年gydF4y2Ba,gydF4y2Ba67年gydF4y2Ba]。形式如Scheimpflug和AS-OCT捕获图像在各种角膜经脉,随后使用这些数据来推导出热地图,便于目视判读数据,虽然有推断的数据成像经络之间的地区。例如,Pentacam可以将原始图像转化为几种类型的颜色热图(如轴向曲率,后或前视图,和地区pachymetry)基于相同的原始断层扫描数据集。经常使用预测模型应用于图像卷积NNs (cnn)和研究应用这些方法在下一节详细讨论解决研究问题2。我们所知,没有系统使用原始像素值时直接从Scheimpflug或AS-OCT图像检测亚临床角膜。gydF4y2Ba

生物力学数据gydF4y2Ba

总体而言,12%(3/26)的论文结合生物力学数据的分析(gydF4y2Ba58gydF4y2Ba,gydF4y2Ba60gydF4y2Ba,gydF4y2Ba63年gydF4y2Ba]。角膜生物力学是指角膜的变形响应一个作用力。眼部反应分析仪(Reichert眼科仪器)使用的吹气定向到角膜,和变形响应测量。两个常见的指标已报告:角膜滞后和角膜阻力系数。然而,有不同意见关于他们的效用在圆锥形角膜的诊断gydF4y2Ba79年gydF4y2Ba,gydF4y2Ba80年gydF4y2Ba]。另一个设备使用相同的原则是Corvis圣(眼睛Optikgerate GmbH),它使用一个高速Scheimpflug相机测量横断面图像的失真。许多研究已经描述了机器学习的应用分析生物力学数据,但很少验证结果;因此,他们被排除在这一审查。(et al (gydF4y2Ba58gydF4y2Ba)结合Pentacam和Corvis圣数据创建层析和生物力学指标,这是跟进验证研究[gydF4y2Ba63年gydF4y2Ba]。弗朗西斯et al (gydF4y2Ba60gydF4y2Ba)使用从Corvis圣设备在诊断角膜生物力学数据,取得了非常高的敏感性(99.5%)和特异性(100%)。然而,当验证他们的模型,他们只有2之间的歧视团体组结合亚临床角膜和角膜的眼睛,和一群正常的眼睛。这是一个简单的问题比包括区分正常和亚临床圆锥形角膜的眼睛。gydF4y2Ba

人口的风险因素gydF4y2Ba

总共有15%(4/26)的论文选择包括人口统计数据,如年龄或性别,在他们的模型中(gydF4y2Ba14gydF4y2Ba,gydF4y2Ba49gydF4y2Ba,gydF4y2Ba62年gydF4y2Ba,gydF4y2Ba68年gydF4y2Ba]。曹et al (gydF4y2Ba14gydF4y2Ba)表明,性是一个重要的参数在最小设置,实现最高的AUC使用随机森林方法,尽管他们的数据集是小(49亚临床角膜和39控制眼睛)。种族,主要与患病率,恶化的风险,疾病严重程度和急性角膜水肿在亚洲和黑人人口(gydF4y2Ba81年gydF4y2Ba),不包含在任何模型,尽管一些研究调查了单一种族[gydF4y2Ba66年gydF4y2Ba]。民族作为一个参数应该考虑未来的调查人员。没有研究包括其他危险因素如特异反应性和眼睛的摩擦模型参数,这些在将来的研究中应考虑。gydF4y2Ba

研究问题2:机器学习算法用于亚临床圆锥形角膜检测和他们表现如何?gydF4y2Ba

在大多数情况下,研究人员利用机器学习算法中参数和指标的组合诊断亚临床圆锥形角膜。本节是细分根据应用机器学习技术。gydF4y2Ba图3gydF4y2Ba礼物的一个组织图相关的机器学习算法。还有其他几种算法,但这些讨论已经超出了审查的范围,我们选择了只包括在我们发现的方法gydF4y2Ba结果gydF4y2Ba部分。gydF4y2Ba

神经网络gydF4y2Ba

概述gydF4y2Ba

NNs由一系列相互关联的层的神经元,因此松散模仿人类大脑的内部结构。每个神经元计算非线性函数的输入,网络训练,直到输出将优化与地面真理标签。Kovacs et al (gydF4y2Ba53gydF4y2Ba]结合15 keratometric pachymetric和高度参数的神经网络分类器来区分健康眼角膜的单边圆锥形角膜患者的眼睛。病人数据包括60从30个病人正常的眼睛,从30例60双边圆锥形角膜的眼睛,15从患者呈现单边圆锥形角膜正常的眼睛。当分类正常眼睛的单边圆锥形角膜患者临床评分作为参考,他们取得了敏感性90%,特异性90%。他们采取了一种新奇的方法训练在病人眼里,这允许他们将任何intereye不对称的影响当检测单边圆锥形角膜。施等(gydF4y2Ba68年gydF4y2Ba)结合keratometric、海拔和pachymetric参数来源于Pentacam和超高分辨率的光学相干断层扫描图像来创建一个神经网络分类器识别正常的亚临床圆锥形角膜的眼睛。使用Pentacam高程和pachymetry地图混合神经网络模型中,Issarti et al (gydF4y2Ba64年gydF4y2Ba)展示优势BAD-D等常见的诊断指标和地形圆锥形角膜分类。gydF4y2Ba

卷积神经网络gydF4y2Ba

当用于图像分析,得到大量的处理层例如cnn经常使用,因为他们的能力从2 d或3 d数据推断结构通过深度学习gydF4y2Ba82年gydF4y2Ba]。例如,谢et al (gydF4y2Ba66年gydF4y2Ba)使用的数据从1368年正常的眼睛,与早期的圆锥形角膜202眼,与更高级的圆锥形角膜389眼,与亚临床(疑似)圆锥形角膜369眼开发一个自动分类器。他们实现当分类亚临床角膜敏感性76.5%,特异性98.2%。然而,使用的热图是由Pentacam;因此,应该注意的是,这项技术可能不是转移到其他系统,甚至未来Pentacam软件迭代。郭et al (gydF4y2Ba67年gydF4y2Ba)包括150名正常,170圆锥形角膜,28亚临床的眼睛在他们的研究中,使用了Tomey TMS-4地形系统产生角膜热地图和训练有素的3种不同的CNN架构(VGG16、InceptionV3和ResNet152)。当试图确定28亚临床角膜的眼睛,他们应用VGG16模型和实现gydF4y2Ba几乎不令人满意gydF4y2Ba结果的准确性达28.5% 50%的阈值时应用。这些结果表明,亚临床角膜还不能与高灵敏度检测使用cnn热图图像。gydF4y2Ba

决策树gydF4y2Ba

决策树的分类数据使用一个二元决策树中的每个节点来确定分支下。从根开始,每个分支后的分类是由终端节点。Smadja et al (gydF4y2Ba49gydF4y2Ba用决策树分类正常,圆锥形角膜,亚临床(FFKC)圆锥形角膜的眼睛。他们招收了177名正常的眼睛,148圆锥形角膜的眼睛,47岁的亚临床的眼睛。他们用55参数(包括曲率、高程、角膜波前,角膜,pachymetry,和年龄)收集从伽利略双重Scheimpflug相机,实现敏感性93.6%,特异性97.2%当亚临床分类从正常。曹et al (gydF4y2Ba14gydF4y2Ba]也评估决策树分类算法亚临床圆锥形角膜但实现降低敏感性(82%)和特异性(78%)。他们相对劣质的强劲表现归功于Smadja et al (gydF4y2Ba49gydF4y2Ba)使用额外的特定指标,他们没有访问权。gydF4y2Ba

随机森林gydF4y2Ba

随机森林大量的决策树结合成一个单一的模式gydF4y2Ba83年gydF4y2Ba]。Lopes et al (gydF4y2Ba62年gydF4y2Ba]此方法与其他方法相比(朴素贝叶斯、NNs、支持向量机和判别分析)通过培训模型71 post-laser-assisted张大时(LASIK)扩张的眼睛,298年post-LASIK眼睛没有扩张,并与圆锥形角膜183眼。他们包括角膜散光计,pachymetry、海拔和各种Pentacam指数。模型被确认在外部数据集包含298个正常的眼睛(稳定的LASIK), 188年圆锥形角膜的眼睛(非常不对称ectasia-ectatic),和188年亚临床的眼睛(非常不对称ectasia-normal地形)。后者两组收集从同一组病人。他们发现,当检测亚临床的眼睛表现最好的随机森林模型85.2%敏感。这个精度低于其他可比的研究,这可能是由于外部验证的包容,而不是劣质的模型。作者也指出,他们的模型分类3组中,而其他相关研究(例如,通过Arbelaez et al (gydF4y2Ba49gydF4y2Ba)只有2组之间进行分类(例如,亚临床与正常)。这个扩展是重要的区别gydF4y2Ba讨论gydF4y2Ba部分。gydF4y2Ba

判别分析gydF4y2Ba

判别分析使用变量的线性组合,优化独立的2个或更多的类的数据。徐et al (gydF4y2Ba57gydF4y2Ba]此方法用于分类的眼睛是正常的,亚临床角膜或圆锥形角膜。总共147个常规的眼睛,与圆锥形角膜139眼,77只眼睛与亚临床圆锥形角膜包含在一个单独的训练集和验证集97正常和49亚临床角膜的眼睛。他们的泽尼克拟合方法应用于角膜pachymetry和高程数据来源于Pentacam时,实现了92.8%的AUC歧视亚临床圆锥形角膜。萨阿德et al (gydF4y2Ba54gydF4y2Ba)也用判别分析分类的眼睛是亚临床(FFKC)圆锥形角膜或正常。他们使用的组合波阵面aberrometry和普拉西多盘指数模型共有8参数使用OPD-Scan (Nidek有限公司)。模型训练114正常的93年和62年的亚临床的眼睛和验证正常和82年亚临床的眼睛。只使用训练数据,该模型实现了敏感性89%,特异性92%,但当应用于验证,精度明显下降,敏感性63%,特异性82%。这凸显了需要外部验证报告检测算法的性能。gydF4y2Ba

支持向量机gydF4y2Ba

支持向量机将数据转化为一个高维空间,一个分界线(称为超平面)分离数据,超平面之间的距离和任何给定的数据点是最大化gydF4y2Ba26gydF4y2Ba]。当8个不同的机器学习算法比较对相同的数据集分类亚临床角膜,svm实现最高的敏感性(94%)(gydF4y2Ba14gydF4y2Ba]。Arbelaez et al (gydF4y2Ba47gydF4y2Ba)使用支持向量机实现更高的敏感性大数据集1259正常的眼睛,426年与亚临床角膜。他们从每组200眼用于培训和其余的测试,实现敏感性92%,特异性97.7%。Ruiz伊达尔戈et al (gydF4y2Ba56gydF4y2Ba)使用25地形或层析Pentacam-derived参数来验证他们的支持向量机模型。他们的研究包括131例并提供结果2分类从不同医院:安特卫普大学医院和罗斯柴尔德基金会,巴黎。当分类4组(圆锥形角膜,亚临床、正常和postrefractive手术),亚临床角膜检测的灵敏度是61%的安特卫普大学医院的分类与罗斯柴尔德分类相比,增长了100%。这是一个全面的验证研究,将多种方法与2主观的参考标准。只有少数(约20)亚临床角膜的病例包括在这项研究中,需要和一个更大的研究来验证这些结果。gydF4y2Ba

逻辑回归gydF4y2Ba

逻辑回归通常用于执行分类从一组独立变量(gydF4y2Ba26gydF4y2Ba]。它转换输出使用乙状结肠函数返回一个概率可以为分类阈值。当分类亚临床角膜,专门研究使用这种技术(gydF4y2Ba59gydF4y2Ba,gydF4y2Ba60gydF4y2Ba,gydF4y2Ba75年gydF4y2Ba]。Sideroudi et al (gydF4y2Ba59gydF4y2Ba)使用逻辑回归来探索Fourier-derived后角膜散光计参数的诊断能力(球形组件,规则散光、不对称和不规则散光)提取Pentacam Scheimpflug图像。他们包括50名正常的眼睛,与亚临床与圆锥形角膜80眼,55圆锥形角膜(定义为临床正常和异常地形,的眼睛拥有先进的圆锥形角膜)和验证他们的模型在数据集的30%。他们的模型达到敏感性91.7%,特异性100%当分类之间的亚临床圆锥形角膜和正常的眼睛。虽然这些报告的结果,这项研究还有待验证使用外部数据集。其他研究实现逻辑回归的一个更广泛的机器学习算法的比较(gydF4y2Ba14gydF4y2Ba,gydF4y2Ba58gydF4y2Ba]。gydF4y2Ba

比较研究gydF4y2Ba

很少有研究应用多个机器学习算法相同的数据集。曹et al (gydF4y2Ba14gydF4y2Ba8)测试机器学习算法在相同的数据集的39正常控制的眼睛和49眼睛和亚临床角膜。年龄,性别,和9角膜参数Pentacam断层被使用,作者发现,随机森林,支持向量机,再邻居有最好的表现。随机森林的AUC最高0.97,支持向量机灵敏度最高(94%),和再邻居有最好的特异性(90%)。尽管他们验证结果与10倍交叉验证,这将是有益的重复分析更大的外部数据集。(et al (gydF4y2Ba58gydF4y2Ba)也表现在算法包括逻辑回归分析,支持向量机,并随机森林分类之间的4组:正常,圆锥形角膜,非常不对称ectasia-ectatic,亚临床圆锥形角膜(非常不对称ectasia-normal)。他们用Scheimpflug断层和生物力学数据,包括480名正常的眼睛,与圆锥形角膜204眼,72只眼睛分为非常不对称ectasia-ectatic, 94亚临床圆锥形角膜的眼睛。当考虑亚临床圆锥形角膜,随机森林模型的表现最好的,敏感性为90.4%,特异性96%。最终的模型被任命为断层和生物力学指标,并验证了分析交叉验证,导致尽可能多的模型有主题(N = 850)。Lopes et al (gydF4y2Ba62年gydF4y2Ba)也进行了比较分析,发现随机森林分类3组时表现最好的眼睛(包括亚临床的眼睛)。Lavric et al (gydF4y2Ba71年gydF4y2Ba)为检测亚临床角膜提供了最大的比较研究。作者包括1970名正常的眼睛,与圆锥形角膜390眼,和791年亚临床(FFKC)圆锥形角膜keratometric眼睛在他们的研究和使用,pachymetric, aberrometric数据CASIA AS-OCT系统分析在25个不同的机器学习算法。当他们同时分类3组,他们发现最精确的方法是支持向量机,检测灵敏度达到89.5%的亚临床圆锥形角膜,并使用10倍交叉验证结果进行验证。本研究的局限性包括使用CASIA扩张筛查指数(ESI)圆锥形角膜的严重程度的分类,这可能不会同意临床诊断,并且分析了参数与CASIA设备密切相关,这限制了推广到其他系统。gydF4y2Ba

无监督学习gydF4y2Ba

无监督学习代表了一种不同的方法来检测亚临床圆锥形角膜试图识别组织相似的眼睛没有prelabeled数据。Yousefi et al (gydF4y2Ba61年gydF4y2Ba)使用两步方法,结合降维和density-based集群聚集一群3156眼分类根据ESI指数是正常的,圆锥形角膜,亚临床(FFKC)圆锥形角膜。他们包括420地形、海拔和pachymetry参数,算法产生4集群的眼睛具有类似特征。当比较他们的结果与参考标准(ESI),该模型没有创建一个不同的分组,把亚临床的眼睛从其他的眼睛(敏感性88%,特异性14%),表明贫穷的相关性与应急服务国际公司相比。此外,他们没有比较他们的结果和临床带安全标签的数据。gydF4y2Ba

研究问题三:选定的手稿中算法验证处理怎么样?gydF4y2Ba

虽然大多数研究进行内部验证,把原始数据集分成训练集和测试集,我们发现5复制论文发表模型验证新数据集(gydF4y2Ba48gydF4y2Ba,gydF4y2Ba51gydF4y2Ba,gydF4y2Ba52gydF4y2Ba,gydF4y2Ba56gydF4y2Ba,gydF4y2Ba63年gydF4y2Ba]。Ruiz伊达尔戈et al (gydF4y2Ba56gydF4y2Ba验证他们支持向量机技术在2016gydF4y2Ba55gydF4y2Ba]。作者发现,当使用安特卫普大学医院的分类、灵敏度下降大约18%,而使用罗斯柴尔德分类时,灵敏度增加约21%。这些差异突出与主观分类和相关的问题缺乏地面真理。此外,当多个组包含在分析;正常,圆锥形角膜、亚临床角膜和postrefractive手术的眼睛,它是指出,准确识别正常从FFKC从93.1%下降至88.8%。然而,本文作者提出了最全面的方法,因为不仅验证他们的结果在一个新的样本人口与多个目标类,还他们的结果与其他方法相比,包括2主观的参考标准。gydF4y2Ba

Buhren et al (gydF4y2Ba51gydF4y2Ba)2010年验证他们的模型定义(gydF4y2Ba84年gydF4y2Ba]。当比较判别函数来自前部和后部角膜表面波阵面数据,他们报道约22%降低敏感性和特异性下降大约9%。这减少可能是由于过度拟合原始研究。萨阿德et al (gydF4y2Ba48gydF4y2Ba和陈等gydF4y2Ba52gydF4y2Ba)验证相同的判别分析模型提出的Saad et al (gydF4y2Ba77年gydF4y2Ba]。萨阿德et al (gydF4y2Ba48gydF4y2Ba]报道敏感性(92%)和特异性(96%),与以前的研究大体一致,这表明他们的方法是可靠的,不会遭受过度拟合。陈等人[gydF4y2Ba52gydF4y2Ba)验证原始模型来自不同种族背景的病人(亚洲)。他们报道敏感度下降大约21%,他们认为过度拟合原始研究;然而,他们的特异性几乎是等价的。斯坦伯格et al (gydF4y2Ba63年gydF4y2Ba)验证的工作(et al (gydF4y2Ba58gydF4y2Ba]。他们报道约27%降低敏感性和特异性当应用相同的阈值下降大约13%。gydF4y2Ba

偏差的评估gydF4y2Ba

一般来说,病人选择被发现的风险高偏差研究(19/26,73%),因为大多数研究病例对照(因此容易选择偏见),不使用连续或随机抽样。gydF4y2Ba多媒体附件5gydF4y2Ba(gydF4y2Ba14gydF4y2Ba,gydF4y2Ba47gydF4y2Ba- - - - - -gydF4y2Ba71年gydF4y2Ba)包含的结果应用QUADAS-2工具在考虑偏差的风险。指数测试通常也发现有偏见的风险高(21/26,81%)的研究由于缺乏外部验证。作为亚临床没有黄金标准圆锥角膜的诊断,我们不能评估参考标准偏差;因此,所有文件被标记为不清楚。最后,病人流被发现有一个低风险的偏见(21/26,81%的研究),因为虽然时间信息是稀疏的,相同的分析通常是适用于所有的病人。gydF4y2Ba

讨论gydF4y2Ba

研究问题1:输入数据类型使用在亚临床圆锥形角膜检测算法和他们表现如何?gydF4y2Ba

数据构建亚临床最常用的圆锥形角膜检测算法是数字角膜散光计或pachymetry参数;因此,根据我们的评估,基于这些算法往往有最高的性能。这些参数来自各种成像系统和设备,然后纳入不同的组合来构建一个分类系统或索引。不可避免的是,个别系统生产参数,不得跨设备类似,专有的原因,原始数据,一般也不会获得这些参数。因此,比较跨系统或复制是很困难的。热量地图提供了一个可视化表示的角膜高度,pachymetry,或弯曲,这是有利于的目视判读结果。然而,热量地图需要内插或外推的数据,这可能引入错误当包括在模型中。我们所知,没有研究分析实际进行像素级角膜影像数据(Scheimpflug或AS-OCT),可能是因为访问这些数据仅限于商业机器如Pentacam,阻碍散货出口培训机器学习算法。gydF4y2Ba

我们还指出,许多研究不把病人的人口统计和相关疾病的细节,如年龄,性别,种族,和特异反应性,从而影响开发圆锥形角膜的风险。将这些数据整合到这些模型有助于定义一种算法适用的人口,尤其是有表型指标的算法可以识别图像,人类不能识别通过手动检查(gydF4y2Ba85年gydF4y2Ba]。gydF4y2Ba

研究问题2:机器学习算法用于亚临床圆锥形角膜检测和他们表现如何?gydF4y2Ba

亚临床圆锥形角膜研究通常涉及单变量或多变量分析。单变量研究接受者操作特征进行分析,包括每个参数量化他们的诊断能力。然而,由于没有一个单变量的研究我们确定了一个样本外执行验证,他们都被排除在外。多元研究机器学习是用来创建一个检测模型使用多个参数。这些算法已经演示了可比的识别性能有经验的眼科医生早产儿视网膜病(gydF4y2Ba86年gydF4y2Ba)和视网膜疾病进展(gydF4y2Ba87年gydF4y2Ba]。基于机器学习的研究发现亚临床圆锥形角膜主要集中在监督学习技术,如决策树、支持向量机、逻辑回归、判别分析,得到,cnn。逻辑回归可能优于NNs当参数从一个成像形态被认为是(gydF4y2Ba14gydF4y2Ba,gydF4y2Ba68年gydF4y2BaNNs),可能更重要的角色,当大量的潜在相互作用参数相结合,比如多种成像模式(gydF4y2Ba68年gydF4y2Ba]。无监督学习也被评估亚临床检测的圆锥形角膜,尽管它依赖于在大量数据中识别模式;因此,它可能不会转化为不同的数据集的不同大小和不同的属性。此外,除了Yousefi的研究(gydF4y2Ba61年gydF4y2Ba),没有提供的文件访问他们的算法的源代码或hyperparameters的描述,这使得它很难重现和验证结果与外部数据集。gydF4y2Ba

研究问题三:算法验证处理中所选的怎么样?gydF4y2Ba

我们排除了论文不包括研究验证的手臂,和绝大多数的最初确定的研究没有适当的验证结果。对于任何类型的自动分类器,验证结果数据集不同训练集是至关重要的在确定模型的普遍性与其他数据集。除了研究Saad et al (gydF4y2Ba48gydF4y2Ba和伊达尔戈等gydF4y2Ba56gydF4y2Ba),很明显,研究试图验证之前的方法报道显著降低敏感性和特异性与原来相比的结果。这表明即使执行技术,如交叉验证,验证的最佳方法是一个独立的样本外数据集,和它的缺席可能会引入偏见。理想情况下,这个外部数据集将会更大更普通人群的代表。gydF4y2Ba

优势和局限性gydF4y2Ba

本研究的主要力量是我们现在之间的全面审查所有的研究发表在英语1月1日2010年10月31日,2020年,使用机器学习的检测亚临床圆锥形角膜。我们专注于检测亚临床角膜的地址的重要临床需要未满足的一种有效的基于机器的技术来识别在圆锥形角膜最初阶段。这将使我们更接近潜在筛选没有对临床医生和临床服务的大量需求。亚临床疾病诊断比检测先进的疾病,更有挑战性的机会,防止进展已经输了。在这方面,我们的评估建立在最近的临床试验CXL防止圆锥形角膜进展在儿童和年轻人gydF4y2Ba15gydF4y2Ba,gydF4y2Ba88年gydF4y2Ba,gydF4y2Ba89年gydF4y2Ba]。提出一个平衡的和全面的概述,结合计算机科学家的专长(HM和NP)熟悉机器学习的发展为临床医学与临床医生的输入(JPOL、DG和圣)圆锥形角膜管理经验。我们已经考虑和比较文学方面的临床输入数据和机器学习方法,它允许读者获得更广泛的角度看问题的。gydF4y2Ba

然而,有限制我们的搜索方法和入选标准。对于任何系统综述,文章不包括相关关键词或没有适当的文献索引的数据库可能已经错过了。在考虑我们的入选标准基于亚临床疾病,一些研究可能已经错过了由于缺乏共识的定义。此外,没有任何形式的验证,我们排除了研究;因此,我们的研究结果仅代表的文章一定程度的普遍性。gydF4y2Ba

进一步限制是难以描述的方法的性能比较手稿;直接比较是不可能的,因为变化的多个研究设计因素,如亚临床疾病的定义,参数选择,数据集的来源,和机器学习算法。最后,限制有关病例定义,适用于所有的研究之间的关系的不确定性是亚临床圆锥形角膜和角膜形状的其他nonprogressive异常。gydF4y2Ba

挑战和未来的发展方向gydF4y2Ba

我们的系统评价确定几个挑战从文学和未来研究的方向。gydF4y2Ba

黄金标准病例定义,地面真理gydF4y2Ba

精确的出版物的结果之间的比较是有问题的,因为早期圆锥角膜的歧义定义和没有黄金标准的检查技术。最常见的亚临床角膜的定义是一个地形的眼睛发现至少是可疑的圆锥形角膜和证实圆锥形角膜的眼睛。FFKC通常定义为一个眼,既有正常的地形和裂但与圆锥形角膜的眼睛gydF4y2Ba44gydF4y2Ba]。这种分化、亚临床圆锥形角膜比FFKC更容易检测,研究使用前定义可能会产生更精确的结果,因为问题变得容易解决。的问题统计比较没有金本位被Umemneku et al(广泛讨论gydF4y2Ba90年gydF4y2Ba]。作者认为潜类别分析,综合参考标准,或专家小组分析可能是适当的在这种情况下。gydF4y2Ba

即使对亚临床角膜早期成立的精确定义,缺乏地面实况数据在评估相关数据采集的精度。例如,测量圆锥形角膜由不同的运营商或反复在不同的日子里可能会导致结果的变化。弗林等(gydF4y2Ba91年gydF4y2Ba]发现keratometric测量从月初Scheimpflug图像(Pentacam)更可再生的圆锥形角膜中央K(平均≤53 D)与在更高级的圆锥形角膜中央K > 53 D(平均),尽管与亚临床队列圆锥形角膜并不包括在内。相比之下,杨等(gydF4y2Ba92年gydF4y2Ba)发现,生物力学参数(Corvis ST)在正常可接受的可重复性,圆锥形角膜的眼睛。gydF4y2Ba

我们发现当比较研究的另一个问题是数量的变化组织分类。研究通常从多个组(通常3,如FFKC、圆锥形角膜和正常);然而,21篇论文选择报告其准确性训练分类模型结果2组之间(如FFKC和正常),而5篇论文报道的结果分类之间的所有组。分类所有组是一个更现实的临床情况下,但它提供了一个更有挑战性的问题,因为不同群体的特点可以重叠。完整的详细数字组与精度研究的结果发表在相关gydF4y2Ba多媒体附录2gydF4y2Ba。gydF4y2Ba

研究规模和统计能力gydF4y2Ba

研究的大小在开发一个可靠的检测系统是至关重要的。特别是,机器学习模型的准确性直接关系到训练数据的数量。当考虑与亚临床角膜的眼睛,只有2研究包括超过500眼(gydF4y2Ba61年gydF4y2Ba,gydF4y2Ba71年gydF4y2Ba]。所有的论文包括先天的动力计算估算研究队列的大小。gydF4y2Ba

研究设计gydF4y2Ba

没有报道研究评估他们的方法的性能对蒙面观察员;因此,他们可能会引入检测偏差。最初的分类通常是由考虑与圆锥形角膜的眼睛是决策过程的一个因素,而算法没有这方面的信息。因此,这将是有趣的设计研究,已经决定在地上真理诊断,一个新的临床医生被要求评估眼睛使用相同的信息作为算法(即,只有图片或参数)。这种情况是最接近真实的筛选潜在的病人(没有历史的圆锥形角膜眼)检查对圆锥形角膜的风险。gydF4y2Ba

亚临床圆锥形角膜是,根据定义,影响最小的眼睛的高度不对称的圆锥形角膜。亚临床疾病的一个假设是,任何参数,不同的值正常角膜圆锥形角膜的结果。然而,它没有前瞻性证明所有的眼睛在这种队列会进步到临床疾病状态。尽管真正的单边圆锥形角膜被认为不存在gydF4y2Ba37gydF4y2Ba),这并没有被证实,它是可能的,一些眼睛与亚临床圆锥形角膜没有进展的风险,一些异常的参数在这一组不圆锥形角膜的结果。这将是有价值的进行前瞻性研究,眼睛不随时间发展临床圆锥形角膜作为低风险的例子。gydF4y2Ba

外部验证和推广到实际的数据gydF4y2Ba

天生我才必有用,至关重要的是,一个检测算法可以推广超越有限的数据集的模型开发和基准测试,这需要外部验证样本外数据集。建立一个大型的开源数据集的圆锥形角膜图像可以作为参考标准,制定外部验证的一个基准。我们还建议期刊坚持透明报告个人的多变量预测模型预测或诊断指南,以便所有发表的方法都是外部验证。当应用到外部数据集数据的来源和质量应考虑。转诊医院数据可能不代表普通人群,谁可能是筛查项目的目标,代表名额不足的眼睛有轻微疾病。gydF4y2Ba

其他挑战gydF4y2Ba

有几个其他的考虑,比如圆锥角膜进展和检测算法的翻译成医疗设备,可以实现在现实世界中,但是这些问题超出了本文的范围。然而,这些点进行了讨论gydF4y2Ba多媒体附件6gydF4y2Ba(gydF4y2Ba37gydF4y2Ba,gydF4y2Ba39gydF4y2Ba,gydF4y2Ba93年gydF4y2Ba- - - - - -gydF4y2Ba102年gydF4y2Ba]。gydF4y2Ba

新的研究途径gydF4y2Ba

的基础上,本文的结果,有必要进行进一步的基础研究,特别是基于原始像素值的分析角膜成像,而不是只有派生参数。此外,可以开发一个多通道的解决方案通过将这些原始图像与其他参数,如生物力学、人口、和遗传数据。人口数据,如年龄,性别,种族,和过敏性眼病是进步的圆锥形角膜已知的危险因素,和一个圆锥形角膜家族史也是一个危险因素,还应包括在诊断算法。环境风险因素,包括眼摩擦,与圆锥形角膜相关进展,尽管眼睛摩擦很难量化。圆锥形角膜的遗传素质是由遗传双胞胎的研究,在家庭连锁分析,全民全基因组关联研究(gydF4y2Ba103年gydF4y2Ba]。从这些研究中,遗传风险得分派生,这可能包括在机器学习模型检测亚临床角膜。理想情况下,应该进行前瞻性研究群体的年轻患者(< 30岁)亚临床圆锥形角膜来监测疾病进展。培训应在大型数据集上进行检测亚临床角膜的明确的目标,和由此产生的模型应该是外部验证新数据集。最后,一系列的机器学习技术应该应用于相同的数据集以及统计详细比较。gydF4y2Ba

结论gydF4y2Ba

我们进行了迄今为止最全面审查检测亚临床角膜的机器学习算法。早期发现圆锥角膜,使治疗和预防失明是一个公共卫生的优先级,和机器学习算法的使用有可能使诊断过程更高效和广泛使用。我们已经总结了相关出版物的输入数据和算法的选择和确定是否执行适当的验证研究。我们已确定的挑战获得准确数据集训练机器学习算法和需要一个一致的,客观的,并同意亚临床角膜的定义。新途径的研究已确定,将多通道源数据与生物力学、人口、和基因组数据。定义疾病进展和建模过程,有失明的地区可能受益于进一步的研究。我们相信这最新的评论是很重要的,使研究人员,临床医师和公共卫生决策者理解研究的当前状态和未来健康服务计划提供指导。gydF4y2Ba