一种用于识别在极度不平衡的病例群中导致早期环曲面人工晶状体微旋转的术前生物力学风险因素的探索性SMOTE-SVM方法

《Scientific Reports》：An exploratory SMOTE-SVM approach for identifying preoperative biomechanical risk factors driving early toric intraocular lens micro-rotation in extremely imbalanced cohorts

　　

摘要

对于术后机械性并发症的预测建模，比如高端 toric 屈光晶状体的早期微旋转现象，由于临床数据集的极度不平衡而面临极大挑战。传统统计方法往往无法捕捉到罕见事件场景中的复杂生物力学相互作用。这项探索性初步研究提出了一种机器学习框架，旨在作为假设生成工具，用于处理极度不平衡的眼科数据，并识别与 toric 屈光晶体微旋转相关的潜在术前生物特征。研究分析了35只植入Clareon PanOptix? Toric屈光晶状体的眼睛，通过高分辨率照片配准来量化其真实的旋转稳定性。鉴于超过1度微旋转的发生率极低，研究建立了严格的五折交叉验证流程。仅在训练数据集中应用了合成少数类过采样技术（SMOTE），并采用了可解释的线性支持向量机来提取可用于生物力学分析的可靠特征权重。研究结果揭示了小规模临床数据集中的“准确性悖论”：复杂的集成模型存在严重的多数类偏差，无法检测到罕见的微旋转现象。而经过SMOTE优化的线性支持向量机的精确度-召回率曲线下面积为0.463，其性能几乎是随机基准模型的三倍。算法计算出的特征权重表明，前房深度和角膜曲率陡度是导致旋转不稳定的主要几何因素，这与临床眼科生物力学原理高度吻合。尽管受到样本量较小（N=35）以及事件发生率有限的限制，这一初步框架仍成功实现了高维数据增强与眼部生物力学的结合，有效识别出了少数风险特征，为未来基于人工智能的手术导航系统奠定了基础。