基于模式视网膜电图对视网膜疾病进行机器学习分类时，原始信号、基于特征与混合表示方法的比较

《Medical & Biological Engineering & Computing》：Comparison of raw-signal, feature-based and hybrid representations for machine-learning classification of retinal diseases from pattern electroretinography

　　

摘要

图形视网膜电图（PERG）是一种用于检测黄斑和视网膜神经节细胞功能的非侵入性测试方法，但其信号幅度低且个体间差异大，限制了其诊断应用。本研究利用公开可用的PERG-IOBA数据集，对比了瞬态PERG波形的三种表示方式在检测六种视网膜和视神经疾病——鸟眼状脉络膜视网膜病变、视锥-视杆细胞营养不良、遗传性视神经萎缩、黄斑营养不良、视网膜色素变性以及Stargardt病——与健康对照之间的表现差异。共304名受试者的336次检查中672条记录，经过六个阶段预处理，并在同一协议下评估三种表示方式：保留幅度的255点原始波形；60个工程化临床、频谱、小波和复杂度描述子；以及结合两者的343变量混合表示，包含来自db4、sym2和coif3的多小波特征。性能通过10×5折受试者分组交叉验证评估，其中同一名受试者的双眼及所有重复就诊数据均保持在同一分折中，超参数选择采用嵌套方式，所有数据驱动的预处理均在每个训练折内完成。在预定的主要分类器下，原始波形在六类中有四类的汇总折外AUC最高（视锥-视杆细胞营养不良0.906、视网膜色素变性0.842、黄斑营养不良0.755、遗传性视神经萎缩0.673），工程化描述子在剩余两类中最高（Stargardt病0.803、鸟眼状脉络膜视网膜病变0.657）。混合表示在没有任何一类中表现最优，在六类中有五类低于原始波形0.002至0.018，且没有任何非线性分类器显示混合表示的平均AUC优势超过0.006。敏感性分析揭示了真正关键的因素：通过逐信号z-score去除绝对幅度尺度，使原始表示平均损失0.055的AUC，但工程化描述子仅损失0.023，并颠倒了三种表示的排序。工程化描述子虽未超越波形表现，但使问题对线性模型变得可行，线性模型因降维平均获得0.128的AUC提升。这些经过内部验证的结果表明，绝对PERG幅度应予以保留而非被归一化消除；在临床应用前需要进行参与者独立的、多中心验证。

图形摘要