一种基于异构堆叠集成与自适应动态加权的ICL术后拱高预测方法

摘要: 本发明涉及眼科数据处理,具体涉及一种基于异构堆叠集成与自适应动态加权的icl术后拱高预测方法。背景技术:1、后房型人工晶体(icl)植入术是目前矫正中高度近视的...
一种基于异构堆叠集成与自适应动态加权的ICL术后拱高预测方法

本发明涉及眼科数据处理,具体涉及一种基于异构堆叠集成与自适应动态加权的icl术后拱高预测方法。

背景技术:

1、后房型人工晶体(icl)植入术是目前矫正中高度近视的重要屈光手术方式,具备视力恢复效果好、不损伤角膜组织的优势,在临床中被广泛应用。术后拱高是评估icl手术效果、判定术后并发症风险的核心指标,拱高过低易引发白内障,拱高过高会导致房角关闭、继发性青光眼,因此术前精准预测术后拱高是保障手术安全、优化术后视觉效果的关键环节。

2、当前临床主流的icl术后拱高预测方式主要分为三类,各类技术均存在明显的技术缺陷,无法满足精准化、个性化的临床预测需求:

3、第一类为传统经验公式预测方法,以ks公式、nk公式为核心,仅基于前房深度、穹隆至穹隆直径等少量参数构建线性回归模型,无法刻画眼部生物参数之间的复杂非线性关联,同时忽略角膜厚度、晶状体厚度等关键影响参数,预测精度极低,难以适配复杂的临床个体差异。

4、第二类为单一机器学习预测模型,包括随机森林、支持向量机、梯度提升树等,虽能学习部分特征交互关系,但模型架构固定,对临床异质性数据的适配性差,易出现过拟合问题,泛化能力不足,在不同患者样本中预测稳定性较差。

5、第三类为传统集成学习预测方法,多采用固定权重平均、投票的融合策略,无法根据基学习器的实时预测性能动态调整权重,不能充分发挥不同模型的互补优势,对高维眼部生物参数的深层特征挖掘能力有限,预测精度与稳定性提升效果受限。

6、此外,现有预测方法普遍缺少针对缺失值、异常值以及高维临床参数的系统化处理流程,导致模型鲁棒性和预测精度受限。

技术实现思路

1、本发明的目的在于提供一种基于异构堆叠集成与自适应动态加权的icl术后拱高预测方法,旨在解决现有预测方法精度低、稳定性差、无法适配临床眼部异质性数据、特征挖掘不充分的问题,依托pentacam结构化眼部参数,实现icl术后拱高的精准、稳定预测。

2、为实现上述目的,本发明提供了一种基于异构堆叠集成与自适应动态加权的icl术后拱高预测方法,包括下列步骤:

3、步骤1:采集受试者术前眼部生物测量参数;

4、步骤2:对所述术前眼部生物测量参数进行数据预处理,包括采用k近邻算法进行缺失值补全,以及采用四分位距方法进行异常值修正;

5、步骤3:采用皮尔逊相关性分析、斯皮尔曼秩相关性分析、f检验、互信息分析、随机森林特征重要性分析及xgboost特征重要性分析六种融合算法联合筛选核心特征;

6、步骤4:构建由tabnet模型与xgboost模型组成的异构双基学习器架构;

7、步骤5:采用网格搜索进行模型超参数优化;

8、步骤6:根据验证集平均绝对误差倒数构建自适应动态加权融合机制,对多个基学习器输出结果进行动态融合;

9、步骤7:输出icl术后拱高预测结果。

10、可选的,步骤2中的k近邻算法采用k=5进行缺失值补全。

11、可选的,步骤2中的异常值修正采用四分位距iqr方法进行检测,并对超出预设区间的数据采用边界值替换策略进行修正。

12、可选的,步骤3筛选出的核心特征与所述受试者术前眼部生物测量参数对应,包括以下参数中的至少一种:年龄、性别、角膜曲率k1、角膜曲率k2、角膜轴位、角膜厚度、白到白距离wtw、水平白到白距离hwtw、眼轴长度al、前房深度acd、晶状体厚度lt、内皮细胞计数ecc、ubm水平径、ubm垂直径、icl植入角度、ac-iol度数、设计度数、暗瞳直径、眼压iop及泪膜破裂时间but。

13、可选的,所述tabnet模型包括特征变换模块、注意力变换模块及特征掩码模块,并通过稀疏注意力机制实现实例级动态特征选择。

14、可选的,所述xgboost模型采用梯度提升树结构实现非线性关系拟合及高阶特征交互建模。

15、可选的,在步骤5的执行过程中,以平均绝对误差最小化作为优化目标。

16、可选的,所述自适应动态加权融合机制按照验证集平均绝对误差倒数计算各基学习器权重。

17、可选的,各个基学习器动态权重满足如下关系:

18、

19、其中,表示第i个基学习器在验证集上的平均绝对误差。

20、本发明提供了一种基于异构堆叠集成与自适应动态加权的icl术后拱高预测方法,首先采集受试者术前眼部生物测量参数;再构建基于k近邻算法的缺失值补全模块及基于四分位距的异常值修正模块;接着采用皮尔逊相关性分析、斯皮尔曼秩相关性分析、f检验、互信息分析、随机森林特征重要性分析及xgboost特征重要性分析六种融合算法联合筛选核心眼部特征;通过构建由tabnet模型与xgboost模型组成的异构双基学习器堆叠架构;采用网格搜索完成模型超参数优化;根据验证集平均绝对误差倒数构建自适应动态加权融合机制,实现不同基学习器预测结果的动态融合;最后输出icl术后拱高预测值。本发明能够提高复杂眼前节参数之间非线性关系的建模能力,增强模型稳定性、泛化能力及临床适用性,适用于icl植入术前辅助决策场景。

1.一种基于异构堆叠集成与自适应动态加权的icl术后拱高预测方法,其特征在于,包括下列步骤:

2.如权利要求1所述的基于异构堆叠集成与自适应动态加权的icl术后拱高预测方法,其特征在于,

3.如权利要求1所述的基于异构堆叠集成与自适应动态加权的icl术后拱高预测方法,其特征在于,

4.如权利要求1所述的基于异构堆叠集成与自适应动态加权的icl术后拱高预测方法,其特征在于,

5.如权利要求1所述的基于异构堆叠集成与自适应动态加权的icl术后拱高预测方法,其特征在于,

6.如权利要求1所述的基于异构堆叠集成与自适应动态加权的icl术后拱高预测方法,其特征在于,

7.如权利要求1所述的基于异构堆叠集成与自适应动态加权的icl术后拱高预测方法,其特征在于,

8.如权利要求1所述的基于异构堆叠集成与自适应动态加权的icl术后拱高预测方法,其特征在于,

9.如权利要求1所述的基于异构堆叠集成与自适应动态加权的icl术后拱高预测方法,其特征在于,