基于隨機森林算法的角膜塑形鏡近視控制效果預測研究

程健，陸勤康

近視是最為常見的屈光不正類型，同時也是全球疾病中導致視覺損害和致盲的重要一類病因。而其中高度近視人群面臨著潛在的一系列視功能損傷性并發癥，例如近視相關性黃斑變性、視網膜脫離及開角型青光眼等[1]。但幸運的是臨床上已經有較多有效控制近視進展的技術，包括特殊設計的框架眼鏡、藥物治療以及角膜塑形鏡（OK 鏡）[2-4]。但上述治療方式在效果、費用及并發癥方面皆存在個體差異，精準的預估近視發展情況可以幫助對近視高風險人群做出更加及時有效的診療，本研究目的是通過隨機森林算法，以臨床診療數據為特征來搭建一個預測配戴角膜塑形鏡后近視控制效果的模型，現報道如下。

1 資料與方法

1.1 一般資料 回顧性收集2015 年6 月至2020 年12 月在寧波大學附屬人民醫院眼科中心首次驗配角膜塑形鏡并隨訪1 年以上的患者，選用的角膜塑形鏡類型為視覺重塑（VST）設計。排除標準：（1）未規律配戴角膜塑形鏡（每周配戴時間少于6 晚或連續停戴時間超過1 個月）；（2）聯合治療者（角膜塑形鏡聯合低濃度阿托品滴眼液或角膜塑形鏡聯合框架眼鏡）；（3）有基礎性疾病及長期用藥者。本研究經寧波大學附屬人民醫院醫學倫理委員會審批通過。

1.2 方法 根據Santodomingo-Rubido 等[5]的研究，選取驗配角膜塑形鏡時的年齡、球鏡度數、柱鏡度數、眼軸長度、角膜平坦曲率、眼別及性別作為自變量來構建角膜塑形鏡控制效果的預測模型。其中球鏡、柱鏡度數通過主覺驗光獲得，驗光終點為單眼最佳矯正視力。眼軸長度測量采用德國蔡司公司的IOL-Master 500，角膜平坦曲率測量采用日本TOMEY 公司的TMS-4 角膜地形圖儀?；颊叱醮悟炁浣悄に苄午R時的眼軸長度作為基線，若配戴角膜塑形鏡1 年后眼軸長度增長低于0.3 mm，則認為該患者配戴角膜塑形鏡控制近視效果明顯，反之則認為該患者配戴角膜塑形鏡控制近視效果欠佳。以角膜塑形鏡控制近視效果是否明顯作為該模型的應變量。

1.3 統計方法 本研究中分析軟件選用R Studio（2022.12.0.0），使用R 包為十折交叉驗證的隨機森林分類，每個變量對分類器的準確度貢獻通過變量重要性分數評估，在R包中使用ROC曲線檢驗評估模型的準確性。

2 結果

本研究共納入患者115 例（115 眼），其中男38例，女77 例；右眼60 眼，左眼55 眼；平均年齡（10.4±2.1）歲；平均球鏡度數（-1.87±0.77）D；平均柱鏡度數（-0.16±0.44）D；平均眼軸（24.22±0.72）mm；平均角膜平坦曲率（42.61±1.15）D。將所有特征放入后進行初始隨機森林模型構建，并對各特征的貢獻度進行分析，見圖1。

圖1 初始隨機森林模型ROC 曲線及變量重要性分數評估

初始隨機森林模型ROC 曲線下面積（AUC）為0.639，通過變量重要性分數評估發現對于角膜塑形鏡控制效果預測準確性貢獻度較大的前三位因素為驗配角膜塑形鏡時的年齡、眼軸及角膜平坦曲率。經多次模型特征調整后，最終使用配戴角膜塑形鏡時的年齡、眼軸、角膜平坦曲率、球鏡度數及柱鏡度數5 個特征，利用十折交叉驗證的隨機森林模型的總體預測準確率為82.61%，特異性為88.9%，敏感性為71.4%，模型Kappa 值為58.93%，AUC 為0.802，見圖2。通過上述5 個特征所建的模型能夠較好預測患者在配戴角膜塑形鏡1 年后的近視控制效果。

圖2 最終隨機森林模型ROC 曲線圖

3 討論

在21 世紀初，全球近視率呈現快速增長趨勢，尤其在東亞地區，18 歲人群的近視率達到80%～90%，同時他們的高度近視率達到10%～20%[6]。Holden 等[7]通過1995 年以來發表的近視相關文獻推測，到2050 年全球將有47 億的近視人群以及9.3億的高度近視人群。目前臨床近視防控方法主要有三種：低濃度阿托品滴眼液、周邊離焦鏡及角膜塑形鏡。其中角膜塑形鏡是一種過夜佩戴的隱形眼鏡，是目前臨床上應用較多、效果較好的控制近視進展的物理方法，其可以使角膜中央產生可逆性地平坦化，從而使配戴者白天有良好的裸眼視力。關于角膜塑形鏡控制近視進展的機制仍未研究透徹，目前主流學說為“周邊離焦”理論，即移行的角膜上皮導致周邊視網膜的近視性離焦，從而抑制眼軸的增長以及近視度數的上升[8]。除此之外還有學者發現高階像差會影響角膜塑形鏡的控制效果[9]。本研究發現對角膜塑形鏡預測準確性貢獻較大的前三個因素為驗配角膜塑形鏡時的年齡、眼軸及角膜平坦曲率，這與Santodomingo-Rubido 等[5]的前瞻性研究結果相似，他們發現角膜塑形鏡的控制效果受到多種因素的影響，包括年齡、近視發病年齡及研究開始時的近視度數等。

本研究采用的隨機森林算法屬于機器集成學習中的一種，具有很好的分類性能和較高的分類準確性，即使缺乏特征篩選也能得到較高的準確率，具有較好的數據推廣能力。黃峻嘉等[10]在對比了5 種集成學習方法對未來視力情況進行預測，綜合考慮魯棒性和精確度，隨機森林模型預測效果最好。同時劉奕志教授團隊也運用該算法建立了人工智能預測系統，可以對近視趨勢急性個體化預測，3 年內準確率達90%[11]。 隨機森立算法建立的模型可以通過ROC 曲線下面積來評估該模型的準確性。本研究通過特征篩選后的隨機森林算法對配戴角膜塑形鏡后的近視控制效果進行預測，通過驗配角膜塑形鏡時的年齡、眼軸、角膜平坦曲率、球鏡度數以及柱鏡度數5 個特征所建的模型能夠較好預測患者在配戴角膜塑形鏡1 年后的近視控制效果。

本研究也存在一定局限性，本研究數據里缺少瞳孔直徑及生長發育數據，有研究報道角膜塑形鏡控制效果與瞳孔大小相關[5，12]，同時身高發育與眼軸的增長呈正相關關系[13]，這些特征是否會提高或降低模型的準確性仍待進一步研究。