Optimizing IOL Calculators with Deep Learning Prediction of Total Corneal Astigmatism
Notice bibliographique
Résumé
Background/Objectives: This study aims to identify the most accurate regression model for predicting total corneal astigmatism (TCA) from anterior corneal astigmatism (ACA) and to fine-tune the best model’s architecture to further optimize predictive accuracy. Methods: A retrospective review of 19,468 eyes screened for refractive surgery was conducted using electronic medical records. Corneal topography data were acquired using the Pentacam HR. Various types (7) and subtypes (21) of regression learners were tested, with a deep neural network (DNN) emerging as the most suitable. The DNN was further refined, experimenting with 23 different architectures. Model performance was evaluated using root mean squared error (RMSE), R2, average residual error, and circular error. The final model only used age, ACA magnitude, and ACA axis to predict TCA magnitude and axis. Results were compared to predictions from one of the leading TCA prediction formulas. Results: Our model achieved higher performance for TCA magnitude prediction (R2 = 0.9740, RMSE = 0.0963 D, and average residual error = 0.0733 D) compared to the leading formula (R2 = 0.8590, RMSE = 0.2257 D, and average residual error = 0.1928 D). Axis prediction error also improved by an average of 8.1° (average axis prediction error = 4.74° versus 12.8°). The deep learning approach consistently demonstrated smaller errors and tighter clustering around actual values compared to the traditional formula. Conclusion: Deep learning techniques significantly outperformed traditional methods for TCA prediction accuracy using the Pentacam HR. This approach may lead to more precise TCA calculations and better IOL selection, potentially enhancing surgical outcomes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».