基于两阶段集成学习的圆锥角膜严重程度自动分类框架及其临床意义

为解决圆锥角膜(KC)严重程度分期的临床难题，研究人员开发了一种创新的两阶段集成学习模型，整合随机森林(RF)、梯度提升(GB)、决策树(DT)和支持向量机(SVM)的优势。该模型在验证集上取得99.41%的准确率，测试集达99%准确率，马修斯相关系数(MCC)为0.993，为KC精准诊疗提供了可靠的AI辅助工具。

　　

圆锥角膜(Keratoconus, KC)是一种让眼科医生颇为棘手的进行性眼病——角膜中央变薄前凸呈圆锥形，导致视力扭曲甚至失明。虽然全球发病率约1/2000，但在中东和南亚人群中尤为高发。更令人担忧的是，传统诊断依赖医生经验结合角膜地形图(Pentacam)等设备，但不同严重程度的分期标准存在争议，且早期症状易被忽略。目前临床广泛采用的Amsler-Krumeich(AK)分级系统需要综合考量角膜曲率、厚度等多参数，主观性强且耗时。尽管机器学习(ML)已应用于KC筛查，但针对分期诊断的研究仍存在模型单一、泛化能力不足等缺陷，这正是本研究要突破的关键点。

英国阿登大学与约旦大学医院的研究团队在《Computers in Biology and Medicine》发表的研究中，创新性地提出两阶段集成学习框架。该研究收集了Pentacam角膜断层扫描的临床数据，通过严格的特征选择确定了12个与KC分期强相关的角膜参数，包括前表面曲率指数(ISV)、角膜非对称指数(IAI)等。研究采用分层五折交叉验证，先优化四个基模型(RF、GB、DT、SVM)的超参数，再将前三者的预测结果作为新特征输入SVM元分类器。为应对数据不平衡，采用SMOTE过采样与随机欠采样结合的策略。

Results部分核心发现：

1. 特征选择验证了Belin分级系统中CDVA(矫正视力)对分期非必需，而角膜厚度数据最具判别力
2. 集成模型在验证集表现惊艳：准确率99.41%、灵敏度99.41%、F1-score 99.42%，显著优于单模型（最佳单模型RF为98.2%）
3. 在100例独立测试样本中保持99%准确率，对临床罕见的阶段0(亚临床期)和阶段4(晚期)识别率分别达98.7%和100%
4. 模型决策边界分析显示，阶段1与2的区分主要依赖角膜最薄点厚度(450-500μm阈值)，而阶段3-4的判断依据为前表面曲率(>55D)

Discussion部分强调：该研究首次证明集成学习能有效捕捉KC各期细微差异，特别是解决了传统方法对"灰色地带"病例（如阶段1-2过渡期）的误判问题。临床专家评估认为，模型输出的分级结果与AK标准的一致性达97.3%，且能发现人工可能忽略的早期进展迹象。值得注意的是，模型对阿拉伯人群的特异性验证提示其可能更适合高发地区筛查。

这项研究的突破性在于：一是创建了首个临床可解释的KC分期AI框架，其分阶段决策逻辑与眼科医生的诊断思维高度吻合；二是通过特征重要性分析反哺临床认知，证实角膜厚度参数比视力指标更具预测价值；三是开发流程严格遵循医疗AI标准，包括伦理审查(JUH‐2023–1593/67)和多中心验证(约旦大学医院与Al‐Taif眼科中心)。未来若整合OCT(光学相干断层扫描)生物力学数据，有望进一步提升对极早期病例的敏感性。正如通讯作者Rami Qahwaji教授指出，该模型已作为辅助模块嵌入约旦部分医院的角膜诊疗系统，累计辅助完成超过1200例分期诊断，平均缩短医生诊断时间达40%。