机器学习助力预测小切口飞秒激光基质透镜切除术（SMILE）列线图，为屈光手术带来新突破

为解决利用术前临床数据预测小切口飞秒激光基质透镜切除术（SMILE）列线图的问题，研究人员采用 XGBoost 等多种机器学习方法开展研究。结果显示，机器学习能准确预测列线图，且部分模型比初级住院医师更精准，有助于屈光手术医生及缩短新手学习曲线。

　　目的：运用机器学习技术和术前临床数据，预测小切口飞秒激光基质透镜切除术（Small Incision Lenticule Extraction，SMILE）的列线图。
方法：本研究纳入 1025 只接受 SMILE 手术后球镜当量在 ±0.50D 范围内的眼睛。应用 XGBoost、梯度提升回归（Gradient Boosting Regression，GBR）、随机森林（Random Forest，RF）、LightGBM、线性回归（Linear Regression，LR）和支持向量回归（Support Vector Regression，SVR）来预测列线图。通过计算均方根绝对误差（Root Mean Absolute Error，RMSE）和平均绝对误差（Mean Absolute Error，MAE）评估六种机器学习方法的性能。选取四名初级住院医师，根据测试集中的术前临床数据设计列线图，并通过计算在 ±0.05D、±0.15D、±0.25D 三个特定阈值内眼睛的准确率，与机器学习模型进行比较。
结果：实际列线图与机器学习方法预测的列线图无显著差异（P＞0.05）。六种模型在列线图预测中的 RMSE 范围为 0.075 至 0.110，MAE 为 0.055 至 0.085。在 0.05 至 0.25D 范围内，XGBoost 的准确率显著高于 SVR 和初级住院医师（McNemar 检验，P＜0.001）。然而，XGBoost、GBR、RF、LightGBM 和 LR 在 0.05 至 0.25D 范围内的准确率无统计学显著差异（P＞0.05） 。
结论：对术前临床数据进行机器学习，能够准确预测 SMILE 的列线图。机器学习方法可辅助屈光外科医生，在进行列线图调整时缩短初级住院医师的学习曲线。