基于表格数据的机器学习在青光眼诊断中的应用：提升早期筛查准确性的系统综述

针对青光眼诊断中传统方法主观性强、变异性大的问题，研究人员系统综述了35项基于表格数据的机器学习(ML)研究，涵盖光学相干断层扫描(OCT)、视野(VF)测试及人口统计学等多模态数据。结果显示，支持向量机(SVM)、深度学习(DL)和随机森林(RF)等模型诊断准确率达76%-98.3%，AUC值52.5%-99%，为临床决策支持系统(CDSS)开发提供了重要依据。

　　

青光眼是全球不可逆性失明的第二大病因，预计到2040年患者将达1.12亿。传统诊断依赖眼科医生主观评估，存在漏诊（如正常眼压性青光眼）和资源消耗大等问题。光学相干断层扫描(OCT)和视野检查(VF)等客观检测手段虽广泛应用，但单一数据源的局限性（如OCT无法评估功能损伤）制约了早期诊断准确性。如何整合多模态数据并实现自动化分析，成为临床亟待突破的瓶颈。

为此，Shahid Beheshti医科大学健康信息技术与管理系的研究团队联合眼科流行病学研究中心，对2010-2024年间35项基于表格数据的机器学习研究展开系统综述，相关成果发表于《BMC Biomedical Engineering》。研究采用PRISMA框架筛选文献，通过QUADAS-2工具评估质量，重点分析不同数据组合（如OCT+VF+人口统计学）与算法（如DL、SVM、RF）的诊断效能差异。

关键技术方法包括：1) 多数据库（PubMed、Scopus等）检索策略；2) 软投票集成(SVE)等算法融合技术；3) SMOTE处理数据不平衡；4) 递归特征消除优化输入参数。研究纳入样本量100-33,611例不等，涵盖亚洲、高加索等多族裔数据。

数据库特征与数据多样性
整合OCT结构参数（如视网膜神经纤维层厚度RNFL）、VF功能指标（模式标准偏差PSD）及年龄/家族史等风险因素的多模态数据集表现最优。单一OCT数据模型AUC可达0.98，而结合VF和人口统计学的混合模型将准确率提升至94%。

算法性能比较
深度学习在OCT数据分析中展现优势（AUC 0.93-0.96），而SVM和RF更适合处理VF与结构化临床数据。集成方法如XGBoost在大型电子健康记录(EHR)分析中准确率达81%。

临床转化挑战
尽管部分模型AUC超过0.95，但样本量差异（最小仅100例）和种族偏倚（82%研究未跨族裔验证）限制普适性。Oh等开发的解释性XGBoost模型通过可视化特征重要性（如垂直杯盘比vCDR），为临床接受度提升提供新思路。

该研究证实机器学习能显著提升青光眼筛查效率，尤其强调多中心、多族裔数据融合的价值。未来需建立标准化数据采集协议，并开发可解释AI(XAI)工具以促进临床整合。正如作者指出，将OCT-VF-人口统计学"三位一体"模型嵌入电子病历系统，有望实现年筛查成本降低2.5亿美元的公共卫生效益。