基于學習的圓錐角膜輔助診斷.pdf

1、2016年，Google AlphaGo擊敗了韓國圍棋九段李世石，機器學習的成果給了人們巨大的沖擊。機器學習在生活中的應(yīng)用隨處可見，小到我們平時聽歌購物會有符合用戶喜好的個性推薦，大到天氣預(yù)報地震檢測等對未知規(guī)律的預(yù)測，機器學習給傳統(tǒng)行業(yè)帶來了革新，醫(yī)學領(lǐng)域也不例外。早期的機器學習在醫(yī)學診斷的應(yīng)用有腫瘤診斷、腦圖像分析等。2016年11月，Google公司使用深度學習對糖尿病視網(wǎng)膜病變進行早期篩查，其表現(xiàn)遠勝頂級專家。
　　圓錐角

2、膜是一種進行性的角膜疾病，通常起源于青春期，其早期表現(xiàn)為快速增長的高度近視和不規(guī)則散光，視力嚴重下降，但仍可通過RGP矯正視力。中后期角膜后彈力層破裂，房水侵入，產(chǎn)生瘢痕，視力造成永久性損傷，無法矯正，只能進行角膜移植。較早發(fā)現(xiàn)并診斷圓錐角膜可控制病情，避免角膜移植。此外，廣受歡迎的治療近視的準分子激光手術(shù)也需排查圓錐角膜。然而，目前圓錐角膜的早期診斷較為困難，一種好的圓錐角膜和亞臨床圓錐角膜的檢測方法需求迫切。
　　本文將機器學

3、習的分類方法應(yīng)用于圓錐角膜的診斷，致力于解決圓錐角膜診斷困難的問題。首先提出了一種系統(tǒng)地采集樣本特征數(shù)據(jù)和標簽數(shù)據(jù)的方法，在此基礎(chǔ)上，進行了二分類實驗分析和三分類實驗分析，提出了具有較高敏感度的圓錐角膜和亞臨床圓錐角膜的檢測方法，驗證了各類特征對圓錐角膜和亞臨床圓錐角膜檢測的敏感度。最后給出了圓錐角膜的診斷方法在實際中的兩種應(yīng)用場景。本文的主要貢獻在以下四個方面:
　　(1)給出了一種系統(tǒng)地采集樣本數(shù)據(jù)的方法，這包括表征疾病特性的

4、樣本特征數(shù)據(jù)和作為樣本標簽的醫(yī)生對樣本的診斷。樣本標簽由醫(yī)生的電子診斷系統(tǒng)獲取，樣本特征數(shù)據(jù)由眼前節(jié)分析儀Oculyzer獲取。數(shù)據(jù)量較大的波前像差數(shù)據(jù)，則通過與數(shù)字模板的匹配自動從圖片中提取。
　　(2)提出了將樣本分為正常眼和圓錐角膜的二分類方法。使用SVM作為模型，敏感度和特異性作為模型性能度量指標，十次十折交叉驗證檢驗?zāi)Ｐ头€(wěn)定性，最優(yōu)可以達到敏感度99.20％和特異性98.26％。模型選用了線性核函數(shù)和RBF核函數(shù)分別對各

5、類特征極其組合特征對圓錐角膜檢測的敏感度做了研究?？傮w來說，RBF核函數(shù)表現(xiàn)出比線性核函數(shù)更好的敏感度。各類特征對檢測圓錐角膜的敏感度均為80％以上，說明了這些特征都對檢測圓錐角膜做出貢獻。其中，角膜高度、角膜厚度和波前像差及其組合特征表現(xiàn)出最優(yōu)異的性能。
　　(3)提出了將樣本分為三類，即正常眼、亞臨床圓錐角膜和圓錐角膜，從而檢測出亞臨床圓錐角膜和圓錐角膜的方法。在基本模型中，首先訓練三個One-vs-All的SVM二分類器，使

6、其學習到每一類區(qū)別于其他類的特征，然后將這三個二分類器的分類結(jié)果由新的決策器整合，得到最終的三分類結(jié)果。此外，改進模型使用Adaboost對三個二分類器進行增強，最終能夠以較好的敏感度檢測早期患者和典型患者。各類特征中像差特征與角膜高度特征在檢測亞臨床圓錐角膜時有較高的敏感度，兩個特征組合之后效果進一步得到了提升。
　　(4)給出了兩種圓錐角膜的輔助診斷的應(yīng)用前景。其一是應(yīng)用于個性化疾病管理系統(tǒng)，幫助患者了解自身病情及選擇適合自己