机器学习预测圆锥角膜加速交联术后进展
摘要
研究基于170只接受加速角膜交联术（A-CXL）的眼，开发并内部验证了一个可解释的机器学习模型，用于预测术后1年内圆锥角膜是否进展（定义为最大角膜曲率Kmax增加≥1.00 D）。模型筛选出26个基线指标，其中‘最薄角膜厚度/最大角膜曲率比值（TCT/Kmax）’在全部10次外部交叉验证中均被选中，稳定性最高。逻辑回归模型表现最优，OOF AUC为0.772，校准良好，但需外部验证。
信息来源： PubMed Ophthalmology 发布于 2026年10月1日
要点速览
- 研究纳入170只接受加速角膜交联术的眼，24.7%（42只眼）在术后1年内出现Kmax增加≥1.00 D的进展。
- TCT/Kmax（最薄角膜厚度与最大角膜曲率比值）在全部10次外部交叉验证中均被选中，是稳定性最高的预测因子。
- 逻辑回归模型在内部验证中OOF AUC为0.772，校准斜率1.15，但仅为探索性工具，需独立外部验证。
本站解读
这项研究发现，用TCT/Kmax这个简单比值，就能较稳定地预测圆锥角膜患者做完加速交联术后一年内是否会恶化——在170只眼中，约四分之一（24.7%）确实出现了进展，而TCT/Kmax是所有算法里最常被挑中的关键指标。研究设计严谨：采用完全嵌套分层交叉验证，严格防止数据泄露，每个外层训练集独立完成标准化、特征筛选和调参，可信度高于常见‘一锅炖’式建模。
但它离临床应用还很远。模型虽在内部验证中AUC达0.772，但这是回顾性数据、单中心、未外部验证，且研究明确强调‘仅作为探索性研究工具’。目前没有证据表明它能替代医生对角膜地形图、生物力学等综合判断，更不会马上改变手术决策流程。
普通人无需因此改变任何行为——既不用提前做TCT/Kmax检查，也不必担忧‘预测高风险’就等于必然恶化。该模型尚未用于真实诊疗，国内情况有待确认。如有疑虑可咨询眼科医生。
常见问题
这个AI预测准不准？我做了交联手术，能靠它知道会不会复发？
目前不准，也不能用于个人预测。研究只是在170只眼的回顾数据中发现TCT/Kmax这个比值有提示作用，模型尚未经过其他医院、其他人群的验证。它不是诊断工具，更不等于你本人的风险值。如有疑虑可咨询眼科医生。
医生以后会用这个模型来决定要不要给我做交联手术吗？
短期内不会。论文明确指出该模型是‘探索性研究工具’，需独立外部验证后才可能考虑临床整合。当前手术决策仍依赖角膜厚度、曲率、进展史等综合评估，而非此类预测模型。
延伸阅读
机器学习模型预测干燥综合征器官并发症
研究基于232例原发性干燥综合征（SjD）患者数据，构建了逻辑回归、支持向量机和随机森林三种算法的集成模型，用于预测重大器官并发症。模型在测试集上AUC为0.725，准确率71%，阴性预测值79%。SHAP分析显示补体C3降低和免疫球蛋白G升高是最重要的两个预测指标。
机器学习识别干燥综合征伴抗着丝点抗体的临床特征
研究团队利用机器学习分析616例干燥综合征患者数据，其中81例抗着丝点抗体（ACA）阳性，535例阴性。通过LASSO筛选变量并比较6种模型，梯度提升树（GBDT）表现最优，在验证集中AUC达0.811，敏感度为0.750。SHAP分析显示，抗SSA/Ro52、抗SSA/Ro60、抗AMA-M2、抗SSB、IgM、年龄和雷诺现象是关键预测因子，且存在非线性交互效应。
常规基线数据无法可靠预测低浓度阿托品近视控制效果
研究纳入427名首次单用0.01%或0.02%阿托品治疗的儿童，以一年内球镜度数进展超0.25D为‘反应不佳’标准。结果显示37%（159人）属此类。多种机器学习模型与传统逻辑回归对比，AUC最高仅0.60，无临床实用性。研究结论是：仅靠常规基线数据无法个体化预测首年疗效，仍需依靠用药后实际进展来判断是否需升级干预。