基于随机森林算法的角膜塑形镜近视控制效果预测研究

程健，陆勤康

近视是最为常见的屈光不正类型，同时也是全球疾病中导致视觉损害和致盲的重要一类病因。而其中高度近视人群面临着潜在的一系列视功能损伤性并发症，例如近视相关性黄斑变性、视网膜脱离及开角型青光眼等[1]。但幸运的是临床上已经有较多有效控制近视进展的技术，包括特殊设计的框架眼镜、药物治疗以及角膜塑形镜（OK 镜）[2-4]。但上述治疗方式在效果、费用及并发症方面皆存在个体差异，精准的预估近视发展情况可以帮助对近视高风险人群做出更加及时有效的诊疗，本研究目的是通过随机森林算法，以临床诊疗数据为特征来搭建一个预测配戴角膜塑形镜后近视控制效果的模型，现报道如下。

1 资料与方法

1.1 一般资料 回顾性收集2015 年6 月至2020 年12 月在宁波大学附属人民医院眼科中心首次验配角膜塑形镜并随访1 年以上的患者，选用的角膜塑形镜类型为视觉重塑（VST）设计。排除标准：（1）未规律配戴角膜塑形镜（每周配戴时间少于6 晚或连续停戴时间超过1 个月）；（2）联合治疗者（角膜塑形镜联合低浓度阿托品滴眼液或角膜塑形镜联合框架眼镜）；（3）有基础性疾病及长期用药者。本研究经宁波大学附属人民医院医学伦理委员会审批通过。

1.2 方法 根据Santodomingo-Rubido 等[5]的研究，选取验配角膜塑形镜时的年龄、球镜度数、柱镜度数、眼轴长度、角膜平坦曲率、眼别及性别作为自变量来构建角膜塑形镜控制效果的预测模型。其中球镜、柱镜度数通过主觉验光获得，验光终点为单眼最佳矫正视力。眼轴长度测量采用德国蔡司公司的IOL-Master 500，角膜平坦曲率测量采用日本TOMEY 公司的TMS-4 角膜地形图仪。患者初次验配角膜塑形镜时的眼轴长度作为基线，若配戴角膜塑形镜1 年后眼轴长度增长低于0.3 mm，则认为该患者配戴角膜塑形镜控制近视效果明显，反之则认为该患者配戴角膜塑形镜控制近视效果欠佳。以角膜塑形镜控制近视效果是否明显作为该模型的应变量。

1.3 统计方法 本研究中分析软件选用R Studio（2022.12.0.0），使用R 包为十折交叉验证的随机森林分类，每个变量对分类器的准确度贡献通过变量重要性分数评估，在R包中使用ROC曲线检验评估模型的准确性。

2 结果

本研究共纳入患者115 例（115 眼），其中男38例，女77 例；右眼60 眼，左眼55 眼；平均年龄（10.4±2.1）岁；平均球镜度数（-1.87±0.77）D；平均柱镜度数（-0.16±0.44）D；平均眼轴（24.22±0.72）mm；平均角膜平坦曲率（42.61±1.15）D。将所有特征放入后进行初始随机森林模型构建，并对各特征的贡献度进行分析，见图1。

图1 初始随机森林模型ROC 曲线及变量重要性分数评估

初始随机森林模型ROC 曲线下面积（AUC）为0.639，通过变量重要性分数评估发现对于角膜塑形镜控制效果预测准确性贡献度较大的前三位因素为验配角膜塑形镜时的年龄、眼轴及角膜平坦曲率。经多次模型特征调整后，最终使用配戴角膜塑形镜时的年龄、眼轴、角膜平坦曲率、球镜度数及柱镜度数5 个特征，利用十折交叉验证的随机森林模型的总体预测准确率为82.61%，特异性为88.9%，敏感性为71.4%，模型Kappa 值为58.93%，AUC 为0.802，见图2。通过上述5 个特征所建的模型能够较好预测患者在配戴角膜塑形镜1 年后的近视控制效果。

图2 最终随机森林模型ROC 曲线图

3 讨论

在21 世纪初，全球近视率呈现快速增长趋势，尤其在东亚地区，18 岁人群的近视率达到80%～90%，同时他们的高度近视率达到10%～20%[6]。Holden 等[7]通过1995 年以来发表的近视相关文献推测，到2050 年全球将有47 亿的近视人群以及9.3亿的高度近视人群。目前临床近视防控方法主要有三种：低浓度阿托品滴眼液、周边离焦镜及角膜塑形镜。其中角膜塑形镜是一种过夜佩戴的隐形眼镜，是目前临床上应用较多、效果较好的控制近视进展的物理方法，其可以使角膜中央产生可逆性地平坦化，从而使配戴者白天有良好的裸眼视力。关于角膜塑形镜控制近视进展的机制仍未研究透彻，目前主流学说为“周边离焦”理论，即移行的角膜上皮导致周边视网膜的近视性离焦，从而抑制眼轴的增长以及近视度数的上升[8]。除此之外还有学者发现高阶像差会影响角膜塑形镜的控制效果[9]。本研究发现对角膜塑形镜预测准确性贡献较大的前三个因素为验配角膜塑形镜时的年龄、眼轴及角膜平坦曲率，这与Santodomingo-Rubido 等[5]的前瞻性研究结果相似，他们发现角膜塑形镜的控制效果受到多种因素的影响，包括年龄、近视发病年龄及研究开始时的近视度数等。

本研究采用的随机森林算法属于机器集成学习中的一种，具有很好的分类性能和较高的分类准确性，即使缺乏特征筛选也能得到较高的准确率，具有较好的数据推广能力。黄峻嘉等[10]在对比了5 种集成学习方法对未来视力情况进行预测，综合考虑鲁棒性和精确度，随机森林模型预测效果最好。同时刘奕志教授团队也运用该算法建立了人工智能预测系统，可以对近视趋势急性个体化预测，3 年内准确率达90%[11]。 随机森立算法建立的模型可以通过ROC 曲线下面积来评估该模型的准确性。本研究通过特征筛选后的随机森林算法对配戴角膜塑形镜后的近视控制效果进行预测，通过验配角膜塑形镜时的年龄、眼轴、角膜平坦曲率、球镜度数以及柱镜度数5 个特征所建的模型能够较好预测患者在配戴角膜塑形镜1 年后的近视控制效果。

本研究也存在一定局限性，本研究数据里缺少瞳孔直径及生长发育数据，有研究报道角膜塑形镜控制效果与瞳孔大小相关[5，12]，同时身高发育与眼轴的增长呈正相关关系[13]，这些特征是否会提高或降低模型的准确性仍待进一步研究。