机器学习模型在ICL植入术后拱高预测中的比较分析：回归与分类模型的临床价值

这篇综述通过比较回归与分类机器学习模型（如梯度提升、随机森林和CatBoost）在预测植入式Collamer晶体（ICL）术后拱高（vault）中的表现，揭示了分类模型在临床决策中的优越性。研究基于626眼术前生物参数（如前房深度ACD、白到白距离WTW），证实随机森林对中等拱高（250-750 μm）预测准确率达94.6%，而梯度提升在二元分类（AUC=0.89）中表现突出。该成果为个性化ICL手术规划提供了AI驱动的精准工具。

　　

Abstract
准确预测植入式Collamer晶体（ICL V4c）术后拱高对减少并发症至关重要。本研究评估了机器学习模型在拱高预测中的表现，发现分类模型比回归模型更具临床实用性。

Introduction
近视已成为全球公共卫生问题，ICL手术因其可逆性成为高风险患者的优选方案。术后拱高（ICL与晶状体间距）直接影响手术安全性：过低（<250 μm）可能导致白内障，过高（>750 μm）可能引发青光眼。传统基于前房深度（ACD）和白到白距离（WTW）的经验公式预测精度有限，而机器学习（ML）能捕捉非线性关系，提升个性化预测能力。

Methods
回顾性分析626眼ICL植入数据，采集18项术前参数（包括Pentacam HR测量的ACD、WTW、角膜体积ACV等）。采用十折交叉验证，比较梯度提升、随机森林和CatBoost在回归（连续拱高预测）和分类任务（二元/多类）中的表现。

Results
回归模型中，随机森林表现最佳（MAE=134.0 μm，Pearson's r=0.45），但预测误差在极端拱高时显著增加。分类模型显示更强临床价值：

• 二元分类（拱高≥250 μm）：梯度提升AUC达0.89
• 高风险拱高（>750 μm）：随机森林准确率86%
• 多类分类中，模型对中等拱高（250-750 μm）预测准确率最高（随机森林94.6%），但对极端值识别仍存挑战

Discussion
ACD被确认为核心预测因子（特征重要性1.0），与既往Meta分析一致。研究局限性包括单中心数据和女性样本偏倚（76%）。未来需整合OCT动态参数，并探索深度学习优化极端拱高预测。

Conclusion
分类模型（尤其随机森林）能有效识别临床关键拱高阈值，为ICL尺寸选择和手术规划提供数据支持，标志着近视矫正从经验医学向AI精准医疗的转型。