国自然面上项目｜基于组合机器学习算法的病理性近视眼底多模态影像资料自动化定量分析研究｜基金申请·25-01-18
小罗碎碎念
今天和大家分享一个面上项目，资助年限为2020～2023，直接费用为55万。
病理性近视致盲问题严峻，机制和诊疗策略尚待探索。本项目基于前期积累的大量影像资料和算法开发工作，计划构建标准影像数据库，运用组合机器学习算法对病理性近视典型病灶进行自动化识别、定位和定量分析，采集后极部黄斑区相关参数并挖掘疾病预测标记物，旨在为近视向病理性近视的演进预警提供依据 。
项目成功构建了病理性近视标准影像数据库，录入了多种影像资料及患者信息。在研究成果方面，明确了年轻近视人群视盘形态特征与近视进展的关系，如BMOD、BTA和眼轴可预测黄斑脉络膜厚度降低；利用机器学习从眼底彩照提取特征构建了脉络膜厚度预测模型；开发了后巩膜葡萄肿量化分析系统，发现MOSH可作为近视牵引性黄斑病变发生发展的早期预测指标。
项目组通过主办和参与国内外学术会议，积极开展学术交流。在人才培养上成效显著，培养了10名博士研究生 。此外，项目还产出了17篇论文（14篇SCI收录）、7项授权专利，近视人群视盘特征与标记计算系统已初步应用于流行病学筛查，为眼科临床影像技术变革和近视防控提供了有力支持。
知识星球
如需获取推文中提及的各种资料，欢迎加入我的知识星球！
一、项目摘要
病理近视（PM）是全球范围尤其是东亚地区最主要的致盲性眼病之一，其疾病发生演进机制、临床分级标准及预防治疗策略都尚在研究探索之中。
本课题组在前期病理性近视大型标准影像资料库（由三大影像数据库组成：上海交通大学眼科研究所读片中心病理性近视数据库、上海市青少年防盲计划数据库高度近视部分，上海交通大学附属第一人民医院眼科影像数据库高度近视及病理性近视部分）基础上，合作开发自动化识别眼底彩色照相及光学相干断层扫描目标病灶计算机自动化算法，构建完成病理性近视标准影像资料数据库；
通过组合应用机器学习算法，实现对PM典型病灶斑片状脉络膜视网膜萎缩、后巩膜葡萄肿、脉络膜新生血管等病灶的自动化识别、定位及定量分析；进一步应用机器学习算法，自动化采集后极部黄斑区视网膜、脉络膜厚度、体积，识别视网膜脉络膜血管，分析血管形态特征参数；整合PM标准化数据库中人口学、屈光及治疗干预转归数据，挖掘出包括黄斑外凸巩膜高度（macular outward scleral height，MOSH）等在内的可预测PM疾病发生及转归的形态学标记物。
二、基于机器学习的年轻近视患者视盘形态特征的自动识别与量化分析
2-1：研究对象与方法
- 研究对象：分析了数据库中896名年轻近视患者，将参与者随机分为训练集（70%）和测试集（30%）。
- 研究方法：运用开源的影像组学算法包从彩色眼底照片中自动提取视盘旁形态学特征，涉及的眼底区域包括视盘、ETDRS分区内环、内环颞侧、外环颞侧等，并囊括灰度、纹理、形态等各方面特征。通过LASSO回归筛选与脉络膜厚度相关性最强的影像学特征，在训练集构建多元回归模型将其合并为基于视盘特征的脉络膜厚度预测模型，然后在测试集中评估其预测脉络膜厚度的性能。
2-2：研究结果
- 从眼底彩照中提取的特征多达300余项，通过在训练集中进行机器学习降维，最终筛选出了包含6个特征的最佳特征集合，并利用多元回归模型将其合并为新的脉络膜厚度预测模型。
- 该模型与脉络膜厚度有显著相关性，可用于近视患者脉络膜厚度改变和病理性近视进展的预测。
2-3：研究意义与成果发表
- 本研究引入机器学习方法获取近视进展过程中视盘和视盘旁早期变化的影像学特点，并基于这些特征筛选构建了与脉络膜厚度显著相关的定量模型。
- 这种基于机器学习方法的客观预测模型弥补了手动标注测量的主观性及耗费人力等缺陷，还可应用于眼底疾病的其他领域。相关论文已发表于国际期刊《Frontiers in Medicine》。
结束语
本期推文的内容就到这里啦，如果需要获取医学AI领域的最新发展动态，请关注小罗的推送！如需进一步深入研究，获取相关资料，欢迎加入我的知识星球！