基于角膜生物力学的机器学习模型预测屈光手术后角膜膨隆风险：一项回顾性与前瞻性验证研究

《Photodiagnosis and Photodynamic Therapy》：Machine learning predictive model based on the corneal biomechanics of clinical data

本研究针对屈光手术后角膜膨隆这一严重并发症，通过LASSO回归筛选关键预测因子，构建并优化支持向量机（SVM）模型，实现了对术后角膜膨隆风险的精准预测（前瞻性验证AUC=0.984）。该模型整合了术前角膜形态、生物力学参数及术后早期变化等多维指标，为个性化手术方案制定和术后监测提供了可靠的数据驱动工具，具有重要临床转化价值。

　　

在追求清晰视界的道路上，屈光手术如LASIK（准分子激光原位角膜磨镶术）和SMILE（飞秒激光小切口角膜基质透镜取出术）已成为矫正近视、散光等问题的常见选择。随着技术设备的不断更新，无数患者从中获益，重获高质量视觉体验。然而，在这光明的背后，潜藏着一个虽不常见但后果严重的并发症——角膜膨隆。这种术后角膜进行性变薄、前凸的现象，一旦发生，将严重损害视力功能，甚至可能需要进行角膜移植等复杂治疗。因此，如何在手术前精准识别高风险个体，制定更安全的手术方案，并在术后进行有效监测，成为眼科临床面临的关键挑战。

传统上，医生们主要依赖屈光度、角膜厚度、角膜曲率等指标进行评估。然而，随着对疾病认识的深入，人们发现角膜的生物力学特性——即角膜抵抗外力和变形的能力——对于维持其结构稳定至关重要。指标如角膜滞后量（CH）和角膜阻力因子（CRF）能更全面地反映角膜的“强度”和“韧性”。面对众多的潜在风险因素，如何从中筛选出最关键的特征，并构建一个准确、可靠的预测工具，是当前研究的难点。机器学习技术因其处理高维、复杂数据的强大能力，为解决这一难题带来了希望。

在此背景下，发表在《Photodiagnosis and Photodynamic Therapy》上的这项研究，进行了一项旨在开发并验证一个基于机器学习的模型，用于预测屈光手术后角膜膨隆的风险。研究团队整合了多维度的术前和术后角膜生物力学参数，探索出一条数据驱动的风险评估新路径。

为开展此项研究，研究人员主要应用了以下几项关键技术方法：研究纳入了沈阳兴齐眼科医院2023年至2024年接受LASIK或SMILE手术的200例患者作为回顾性队列，并前瞻性收集了2025年1月至9月的40例患者进行时间验证。利用LASSO（最小绝对收缩和选择算子）回归进行变量筛选，以压缩不重要的变量系数至零，保留关键预测因子。随后，比较了广义线性模型（GLM）、梯度提升机（GBM）和支持向量机（SVM）等多种机器学习算法，通过10折交叉验证评估性能。最终对表现最优的SVM模型进行网格搜索超参数优化（调整惩罚系数C和核函数参数σ），并在独立的前瞻性队列中验证其判别能力（AUC）、校准度（校准曲线）和临床实用性（决策曲线分析）。

3. 结果

3.1. 一般资料

回顾性队列共纳入200例患者，平均年龄29.17岁。术前平均中央角膜厚度（PreopCCT）为531.04微米，术前平均最大角膜曲率（PreopKmax）为44.83D。生物力学参数方面，平均角膜滞后量（CH）为10.02，平均角膜阻力因子（CRF）为10.06。术后1个月中央角膜厚度平均变化（PostopCCTChange1m）为-20.02微米，术后3个月最大角膜曲率平均变化（PostopKmaxChange3m）为0.50D。最终，有40例（20.0%）患者发生了术后角膜膨隆。

3.2. Lasso回归变量筛选

通过LASSO回归筛选变量，结果显示，当惩罚系数λ增加时，多数变量的系数被压缩至0。通过10折交叉验证确定了最优λ值。最终保留的关键预测因子包括：术前中央角膜厚度（PreopCCT）、术前最大角膜曲率（PreopKmax）、角膜滞后量（CH）、角膜阻力因子（CRF）、术后1个月中央角膜厚度变化（PostopCCTChange1m）和术后3个月最大角膜曲率变化（PostopKmaxChange3m）。基于这些变量构建的LASSO逻辑回归模型，其ROC曲线下面积（AUC）为0.718，表明具有一定的判别能力。

3.3. 模型比较分析

研究人员比较了GLM、SVM和GBM三种模型的性能。结果显示，SVM和GBM模型的判别性能显著优于GLM模型，其AUC均达到约0.85，而GLM模型的AUC约为0.736。通过交叉验证得到的平均AUC及置信区间也表明SVM和GBM模型性能更稳定。综合考量后，选择SVM模型进行后续优化。

3.4. SVM建模优化优势模型

对SVM模型（使用径向基核函数）进行超参数优化，网格搜索参数C（0.5, 1, 2, 4, 8）和σ（0.010, 0.015, 0.020, 0.030）。结果显示，在C=1-2，σ=0.015附近存在一个性能较高的区域。最终选择C=1, σ=0.015作为最优参数组合，此时模型在交叉验证中的平均AUC约为0.85。变量重要性分析显示，术前等效球镜（SphericalEquivalent）和术前中央角膜厚度（PreopCCT）对模型预测的贡献最大，其次是术前最大角膜曲率（PreopKmax）和术后1个月中央角膜厚度变化（PostopCCTChange1m）。使用最优参数重新训练模型后，其在回顾性队列中的AUC提升至0.88。

3.5. 前瞻性时间验证

将锁定参数的SVM模型应用于前瞻性验证队列（n=40）。结果显示，模型保持了优异的判别能力，AUC高达0.984（95% CI 0.944–1.000），灵敏度为0.88，特异度为0.90。校准分析显示预测风险与观察风险具有良好的一致性（校准斜率=0.96，截距=-0.04，Brier评分=0.098）。决策曲线分析表明，在0.1-0.7的阈值概率范围内，使用该模型进行风险分层能带来显著的临床净获益。

4. 讨论与结论

本研究成功利用LASSO回归筛选出与屈光术后角膜膨隆风险密切相关的关键预测因子，并确定SVM为最优预测模型。该模型整合了术前角膜形态（如CCT, Kmax）、生物力学参数（如CH, CRF）以及术后早期变化（如PostopCCTChange1m, PostopKmaxChange3m）等多维信息，能够非线性地捕捉风险特征。经过超参数优化后，模型在内部验证中表现出色（AUC=0.88），更重要的是，在独立的前瞻性时间验证队列中取得了近乎完美的预测精度（AUC=0.984），并具有良好的校准度和临床实用性，证明了其在不同时间点患者群体中的稳健性。

该研究的结论具有重要意义。首先，它证实了结合角膜生物力学特性进行风险评估的优越性，强调了除传统形态学指标外，CH、CRF等生物力学指标的重要性。其次，研究指出术后早期的角膜变化（如术后3个月内Kmax增加超过0.5 D）可能是亚临床膨隆的早期信号，提示需要加强术后监测。最关键的是，该研究提供了一个基于机器学习的高精度、个体化风险预测工具。临床医生可借助此模型，对具有临界高风险因素（如PreopCCT < 500 μm 或 Kmax > 46 D）的患者进行更精准的风险分层，从而制定个性化手术方案（如优先选择SMILE、减少切削深度或联合角膜交联术）和随访计划（如增加术后早期角膜地形图检查频率），最终提升屈光手术的安全性。

当然，本研究作为单中心研究，样本量有限，前瞻性验证的随访时间较短（3个月）。模型的广泛适用性仍需更大规模、多中心、长期随访的研究来进一步验证。未来整合更先进的生物力学指标、地形图形状描述符等特征，有望进一步提升模型的预测能力。同时，增强模型的解释性（如引入SHAP等方法）也是未来值得探索的方向，以增加临床医生的信任度和使用意愿。总而言之，这项研究为屈光手术并发症的精准防控提供了有力的新工具，推动了屈光手术向更安全、更个性化的方向迈进。