换一批基于机器学习的黄斑前膜患病状态识别模型构建及诊断效能验证
Construction of a macular pucker disease state recognition model based on machine learning and verification of its diagnostic efficacy
摘要目的 建立机器学习模型识别黄斑前膜患病状态,并进行可解释性分析,解析可能与黄斑前膜患病状态显著相关的因素.方法 基于福建省眼病流行病学横断面调查数据,纳入全面的健康和社会人口学信息.研究过程包括数据预处理、特征选择和模型训练,创建并评估多种机器学习模型,包括决策树、随机森林、梯度提升决策树、Light Gradient Boosting Machine(LightGBM)和回归模型.使用 Python 中的 Shapley Additive exPlanations(SHAP,Shapley加性解释)方法进行详细分析,以提高最佳模型的可解释性.结果 分析覆盖了8 211例参与者,共33个变量.在测试的机器学习模型中,LightGBM模型表现最佳,准确度为0.9139,受试者工作特征曲线下面积为0.94.SHAP可解释性分析发现,收缩压是与患病状态关联性最强的特征,其次是视力、散光、地理位置、年龄和性别.结论 机器学习模型可有效识别黄斑前膜患病状态,其中收缩压和视力等关键因素是中老年人群黄斑疾病的重要关联指标.
更多相关知识
关键词
黄斑变性机器学习诊断技术,眼科影响因素分析Macular degenerationMachine learningDiagnostic techniques,ophthalmologicalRoot cause analysis
栏目名称
DOI
10.3969/J.issn.1672-6790.2025.05.022
发布时间
2025-12-15（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览4
- 被引0
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
