基于人工智能与可解释机器学习的人工晶状体屈光预测公式多中心评估研究

《Scientific Reports》：Multicenter evaluation of AI-based intraocular lens formulas and interpretable machine learning for cataract refractive prediction

　　

摘要

对于眼轴长度偏长、角膜几何形态改变或曾接受角膜屈光手术的白内障眼睛，准确选择人工晶状体（IOL）度数仍然是一项挑战。本多中心回顾性研究评估了传统公式、屈光术后公式及基于人工智能的IOL计算公式，并开发了用于术后屈光预测的可解释机器学习模型。开发队列包含华西医院1203只眼；外部验证队列包含成都爱迪眼科医院336只高度近视眼，其中257只眼可用于清洗后的反事实目标达成分析。公式和模型的性能采用平均绝对误差、均方根误差、中位绝对误差以及预设的屈光误差阈值进行评估。在未接受过角膜屈光手术的眼睛中，基于人工智能的公式优于传统公式，其中Hill-RBF模型的内部预测误差最低。本地开发的线性回归、支持向量回归和随机森林模型在内部验证中实现了相当的准确度，但外部验证显示其可移植性有所下降。SHAP分析表明，目标屈光度、眼轴长度和人工晶状体度数是主要预测因子。屈光术后眼睛、眼轴极长者和扁平角膜眼睛仍然难以处理。这些发现支持在屈光性白内障手术中谨慎且经本地验证地使用基于人工智能的公式和可解释机器学习方法。