角膜地形图分析的数学模型分类及其在诊断圆锥角膜中的.pdf

《角膜地形图分析的数学模型分类及其在诊断圆锥角膜中的.pdf》由会员分享，可在线阅读，更多相关《角膜地形图分析的数学模型分类及其在诊断圆锥角膜中的.pdf（4页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第6期第10卷第10卷第6期2008年11月眼视光学杂志Chinese Journal of Optometry&OphthalmologyVol.10 No.6Nov.2008收稿日期：2008-04-11；修回日期：2008-11-06作者简介：马徽冠(1983-)，男，江西人，工学硕士，研究方向：数据挖掘在医学中的应用。通讯作者：谢培英(E-mail：xpyb-)Mathematical models in corneal topogra-phy analysis and their significance in di-agnosis of keratoconusMA Huiguan*

2、，XIE Peiying，TANG Yan.*Department of Biomedical Engineering，College of Engi-neering，Peking University，Beijing China，100871AbstractCorneal topography is an important diagnosistic tool inthe eye departement.It is wiedly used in the diagnosis of kerato-conus.There are many tools and approaches intorduc

3、ed to analyzecorneal topography，the analysing mathemetical models can be di-vided into three categories：statistics models，artificial neural net-work model and decision tree classification model.Either way givesa collective index or judging rules to quantify the possibility ofkeratoconus.Characterist

4、ics of each model in analysing topographyare presented with details in this paper.Meanwhile，we concludethe current prevailing diagnosis methods in China by combiningboth videokeratographic data and clinical signs.Keywordskeratoconus；cornealtopography；mathematicalmodel；neural network；decision tree摘要角

5、膜地形图是眼科临床诊断的重要工具，在圆锥角膜的诊断中有极其广泛的应用。针对角膜地形图的分析工具和方法有很多，其依据的数学模型可以分为三类：统计学模型，神经网络模型及决策树分类模型。每种模型给出一个汇总参数或者判定规则来量化圆锥角膜的可能性。本研究系统分析了用于角膜地形图分析的数学模型，详细介绍了各类方法的特点和优劣并总结其在圆锥角膜诊断中的应用。关键词圆锥角膜；角膜地形图；数学模型；神经网络；决策树中图分类号R772.2文献标识码C文章编号1008-1801（2008）06-0477-04圆锥角膜属于一类原因不明的疑难性角膜变性疾病，青少年时期发病。主要特点是角膜病变部位逐渐薄化，前突，瘢痕化

6、，导致角膜扩张，角膜中央部前凸呈圆锥形，角膜变形和曲率增大，使既有的近视、不规则散光逐渐加重，难于用屈光手段矫正1，是导致青少年视力严重低下的常见病之一。利用角膜地形图，可筛查和早期诊断圆锥角膜，有助于及时采取适当的治疗，避免对圆锥角膜患者进行准分子激光角膜屈光手术；同时了解病变在角膜上的分布规律，从而可指导硬性角膜接触镜的验配。计算机辅助角膜地形图分析仪依据Placido氏圆盘原理将1634个同心圆环均匀地投射到从中心到周边的角膜表面上，使整个角膜均被覆盖，处于投射分析范围内，计算机实时影像检测系统对投射在角膜表面的圆环图像进行检测后并数字摄影、存储；计算出每一个数据点上的角膜屈光力，并按照

7、设定的计算公式和程序进行分析，输出含不同颜色的彩色图像和各种属性特征。角膜地形图仪分析范围很广，数据点密度可高达34环，每环256个点计入处理系统，所以整个角膜就有70008000个数据点进入分析系统2。不同型号的角膜地形图仪从不同的侧面描述表面形态特征，输出不同的角膜参数，数学模型即在此基础上建立。目前角膜地形图用于圆锥角膜辅助诊断的数学模型主要有三类，包括统计学模型、神经网络分类模型和决策树分类模型。这三类数学模型用于不同平台下产生的角膜地形图数据，作为圆锥角膜临床诊断的有效补充和决策支持，各具优势和局限性。本综述系统总结这三类模型的分析方法，并比较各种方法适用范围及其优劣，以便临床医生对

8、各分类方法有更好的理解和把握。1临床统计学方法在临床统计方法中，大多利用角膜地形图的形态特征，配合其他临床参数和病史，对圆锥角膜进行确诊和临床分期，统计学模型得出的结果是一个汇总参数，并根据已经获知诊断结果的数据集得出参数的分界线，做出圆锥角膜的鉴别诊断，或者对圆锥角膜的病变程度进行分级。广泛应用的统 计 学 模 型 主 要 包 括 改 良Rabinowitz-Mcdonnell指 数，KISA%指数，Z3指数和KPI指数。1.1改良Rabinowitz-Mcdonnell指数（RM）3Rabinowitz等以正常角膜为标准，依赖模拟角膜镜读数(SimK值)和角膜下方与上方平均屈光度差值(I-

9、S值)，认为SimK大于48.7 D，且I-S值大于1.9为圆锥角膜，SimK介于47.248.7或者I-S值介于1.41.9时为圆锥角膜疑似，小于临界值为其他。角膜地形图分析的数学模型分类及其在诊断圆锥角膜中的意义马徽冠1，谢培英2，唐琰21.北京大学工学院生物医学工程系，北京100871；2.北京大学医学部眼视光中心，北京100083 文献综述 477-第6期第10卷眼 视 光 学 杂 志1.2KISA%指数4KISA%指数是四个参数相乘的结果。这四个参数分别是K值，描述中央角膜的屈光力，K值低于47.2 D时用1代替，高于47.2时用K-47.2得到的结果代替；I-S值，即角膜下方与上方

10、平均屈光度差值，取绝对值；AST指数描述角膜的规则散光指数，计算值为SimK1-SimK2；SRAX为描述圆锥角膜的不规则散光指数，计算公式为水平子午线以上最陡峭半径出现的位置+180-水平子午线以下最陡峭半径出现的位置。KISA%=(K)(I-S)(AST)(SRAX)100/300。KISA%指数的设置原则是使具有最少临床特征的圆锥角膜患者的KISA%指数接近100，因而指数大于100的可建议为圆锥角膜疑似。该指数用来鉴别圆锥角膜疑似患者与早期圆锥角膜患者。1.3Z3指数Zernike多项式是分析波前像差的常用工具。用Zernike多项式描述角膜地形图与波前像差的差别在于角膜地形图仅给出角

11、膜第一表面的缺陷，而像差图可给出整个眼睛包括角膜、晶状体和玻璃体在内的全部波前像差分布5。常用的Zernike多项式为7阶36项，第1阶、第2阶为低阶，其保留了角膜的全局形态特征，其后为高阶很好地捕捉了角膜的局部特征。Z3指数依赖于模拟波阵面的Zernike多项式的第3阶系数来实现，根据中心直径6 mm范围内的角膜地形图数据，计算三级Zernike多项式系数，Z3则定义为该系数与平均值的几何距离，偏离平均值三个标准差以上视为圆锥角膜患者的角膜地形图。Z3指数大于0.00233支持圆锥角膜的诊断7。1.4KPI指数广泛应用的KPI指数是Madea和Klyce于1994年提出的方法，通过将角膜地形

12、图分成8个区域，以五个指标作为亚临床型圆锥角膜的诊断的参考。DSI，OSI，DSI，IAI，AA，其中DSI和OSI对周边角膜异常陡峭的鉴别较为敏感，而CSI对中央角膜异常陡峭的鉴别较为敏感。对这五个指数进行回归分析，计算圆锥角膜预测指数KPI对于圆锥角膜与正常角膜、角膜成形术后和角膜屈光手术术后的鉴别均有高度的敏感性、特异性和准确性。运用这种方法，可使圆锥角膜的诊断准确率高达968-9。2神经网络分类方法人工神经网络（artificial neural networks，ANN）是一种模拟动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量

13、节点之间相互连接的关系，从而达到信息处理的目的。人工神经网络具有自学习和自适应的能力，通过预先提供的一批相互对应的输入输出数据(训练集)，分析掌握两者之间潜在的规律，最终根据这些规律，用新输入的数据(测试集)来推算输出结果。神经网络模型包括三个层，输入层、中间层(隐层)和输出层，这里用到的前向网络模式用图1和图2表示。TMS-3系统中，系统采用两个综合指数，圆锥角膜指数（keratoconus index，KCI）和圆锥角膜严重程度指数(kerato-conus severity index，KSI)，针对每份角膜地形图，TMS-3系统给出这两个参数，作为医生诊断的参考。Smolek等10报道

14、应用神经网络方法，将角膜地形图的十个参数用作输入层，包括DSI，OSI，CSI，AA，CYL，IAI，SKI，SRI，SAI，SDP，构建两个神经网络模型：其一的输出为KC，KCS，others，用来预测是否发病；另一模型的输出则是具体数值，用来预测严重程度，0=others，0.25=KCS，0.5=KC1，0.75=KC2，1=KC3。Accardo等11通过将神经网络方法的输入层设置为同一个体的两只眼，输出层设定为正常、圆锥角膜、其他疾病三类的方法，得到了较其他方法更高的区分能力，敏感性94.1%，特异性97.6%。Carvalho12报道了运用Zernike多项式系数作为神经网络输入层

15、的方法，对圆锥角膜的神经网络方法提出了更新。输入层为前4阶15个Zernike系数，输出层为：正常。规则散光。不规则散光。圆锥角膜。LASIK术后。试验通过40例80眼作为训练集，并在测试集上取得了97.81%的特异性和94%的精确度。神经网络方法准确率较高，且结果易于解释，但训练神经网络的过程是一个“黑盒子”的过程，因而不能获知输入层的哪些因素对与圆锥角膜的诊断更具意义；在同一个诊断中，同时参考15个参数，计算量较大。3决策树分类方法决策树分析作为一种计算机科学和人工智能中广泛应用的知识发现手段，是从海量数据集中识别出有效的、新颖的、潜在有用的以及最终可理解的模式的过程。决策树分类方法在生物

16、医学领域得到越来越多的重视和应用。比如乳腺癌的辅助诊断13，腹膜透析患者的生存时间预测14，炎症性肠others输入层input layer中间层middle layer输出层output layer图1人工神经网络应用模型，输入层10个参数，输出层3个参数，中间层是不可见层Fig.1Structure of neural network with ten input attributes，threeoutpur attributes and invisible middle layerinputneural networkoutput出weight adjustmentcomparisont

17、arget图2人工神经网络训练图示Fig.2Illustration of the process how to train a neural networkusing the training set data478-第6期第10卷原始数据original data数据选择dataselection目标数据target data预处理preparation转换数据data transformation数据挖掘datamining模式pattern解释评价explanationevaluation知识knowledge图3知识发现的流程，决策树分类方法是众多数据挖掘方法的一种Fig.3The

18、procedure of knowledge discovery，decision tree classification method is one of the most widely used algorithms in the data miningprocess图4通过C4.5算法得到的用于圆维角膜诊断的决策树18，圆圈代表分类属性，圆圈内数字为Zernike多项式的系数，方框代表叶节点，其内数字表明符合最终分类的记录数，从根节点到每个叶节点的路径代表一条判定规则Fig.4The decision tree 18 generated with C4.5，the classificat

19、ionattributes in the circle are coefficients automatically adopted fromZernike polynomial，the class assignments in the box are labeledwith the number of records assigned to the certain class.From ev-ery circle to box it forms a series of classification rules which ar-rives at a diagnosis for any giv

20、en new records病患者骨密度是否明显改变的判断15等等。如图3所示，从一组无次序，无规则的事例中推理出决策树表示形式的分类规则，用来形成分类器和预测模型，对未知数据进行分类。其应用过程包括两个步骤：第一步是利用训练样本集来建立并精化出一棵决策树，建立决策树模型，第二步是利用建好的决策树对新的数据进行分类，对新数据进行辨别或者分类。在决策树分类算法中，最有影响力的是Quilan在1986年提出的ID3算法。ID3方法是利用信息论中信息增益(In-formation gain)寻找数据库中具有最大信息量的属性，建立决策树的一个根结点，再根据根节点属性的不同取值建立树的分枝，再由每个分枝

21、的数据子集重复建树的下层结点和分枝的过程，直到所有子集仅包含同一类别的数据为止，最后得到一颗决策树16。对ID3算法的改进得到了C4.5算法，C4.5算法降低了计算复杂度，提高了计算的效率，见图4。Twa等17-18采用七阶Zernike多项式36个系数来模拟角膜中心7 mm的角膜形态，并用七级Zernike多项式的36个参数作为分类属性区分正常角膜与圆锥角膜患者的角膜地形图，针对92例132正常眼和71例112圆锥角膜眼的数据集进行分析，得到92%的准确率。并发现Zernike系数中C3，-1（vertical coma，垂直彗星系数），C0，0（mean surface height，平均

22、角膜表面厚度），C2，-2（oblique toricity，斜轴散光系数）和C3，3（trefoil，三叶草系数）等四个参数在区分正常与圆锥角膜患者角膜地形图上有着重要意义，其重要性依次降低。4数学模型对比及其在圆锥角膜诊断中的应用以上各数学模型各具优势，表1对各种数学模型做出对比。但从精确度并不能看出各种方法的优劣，因为其数值是针对不同的试验数据集得出的，区分目标也不尽相同，哪一个模型最佳还存在争议。但角膜地形图用于临床辅助诊断时都采用与医生临床经验结合的方式，找出适合特定患者群体的圆锥角膜诊断方法。刘祖国等19采用角膜地形图检查仪对4例（6只眼）圆锥角膜进行研究，并与18只正常眼进行对比

23、，发现圆锥角膜中央屈光度大，同一个体双眼角膜中央屈光度差值大，下方角膜变陡，并认为这些可以作为圆锥角膜的角膜地形图特点。瞿小妹等20对27例52眼的圆锥角膜患者研究发现，有80.77%的患者角膜屈光度最高点以下方和颞下方为主，圆锥角膜患者角膜各项参数与正常人相比有统计学意义(P0.01)，其中SAI、SRI值的变化更显著。姜宏钧等21对147例262眼圆锥角膜患者的角膜地形图形态进行分析，并结合有无角膜基质薄化，Fleischer环，Vogt条，上皮下瘢痕，近视屈光度，角膜散光，角膜的垂直和水平曲率，角膜表面规则指数(SRI)，角膜表面非对称指数(SAI)，角膜顶点屈光度，顶点距角膜中心距离，

24、病变直径，病变区形态的描述(主要是角膜的改变)，将患者分为可疑、轻度、中度、重度，揭示了除其定量检查外，角膜地形图形态对早期诊断有直接帮助。数学模型在圆锥角膜的诊断中起着越来越重要的作用，它能够有效地综合分析各种影响圆锥角膜诊断的因素。数学模型综合考虑了角膜地形图体现的的多方面特征，如角膜的病理生理特点、光学特点和形态学特点，并得到了容易理解和易用于诊断的汇总参数或诊断规则。可以说，数学模型有利于临床圆锥角膜诊断步骤的简化，有利于更好地诊断圆锥角膜从而控制其进展。在接下来的研究中，一方面可以将更多的临床因素加入到数学模型中，进一步增加其在辅助诊断中的作用；另一方面，继续开发更符合医学特点尤其是

25、角膜地形图特点的数学分类模型，提高辅助诊断的准确率和精确度，使数学模型分类方法在圆锥角膜诊断中发挥更大的作用。马徽冠，等：角膜地形图分析的数学模型分类及其在诊断圆锥角膜中的意义479-第6期第10卷眼 视 光 学 杂 志表1各种数学模型特性的对比Tab.1Comparison of various mathematical models used in videokeratography analysis参考文献：1谢培英，齐备临床接触镜学M北京：北京大学医学出版社，2004：103-1042Rabinowitz YS.KeratoconusJ.Surv Ophthalmol，1998，42(

26、4)：297-319.3Rabinowitz YS，McDonnell PJ.Computer-assisted corneal to-pography in keratoconus J.Refract Corneal Surg，1989，5(6)：400-408.4RabinowitzYS，RasheedK.KISA%index：aquantitativevideokeratographyalgorithmembodyingminimaltopographiccriteria for diagnosing keratoconus J.J Cataract Refract Surg，1999，

27、25(10)：1327-1335.5王雁，赵堪兴人眼视觉光学波阵面像差的研究及进展J中华眼科杂志，2004，40(1)：66-696Schwiegerling J，Greivenkamp JE，Miller JM.Representation ofvideokeratoscopic height data with Zernike polynomialsJ.JOpt Soc Am A Opt Image Sci Vis，1995，12(10)：2105-2113.7Schwiegerling J，Greivenkamp JE.Keratoconus detection base-don vid

28、eokeratoscopic height dataJ.Optom Vis Sci，1996，73(12)：721-728.8Maeda N，Klyce SD，Smolek MK，et al.Automated kerato-conus screeningwithcornealtopographyanalysisJ.InvestOphthalmol Vis Sci，1994，35(6)：2749-2757.9Kalin NS，Maeda N，Klyce SD，et al.Automated topographicscreening for keratoconus in refractive s

29、urgery candidates J.CLAO J，1996，22(3)：164-167.10 Smolek MK，Klyce SD.Current keratoconus detection methodscompared with a neural network approachJ.Invest OphthalmolVis Sci，1997，38(11)：2290-2299.11 Accardo PA，Pensiero S.Neural network-based system for ear-ly keratoconus detection from corneal topograp

30、hyJ.J BiomedInform，2002，35(3)：151-159.12 CarvalhoLA.Preliminaryresultsofneuralnetworksandzernike polynomials for classification of videokeratography mapsJ.Optom Vis Sci，2005，82(2)：151-158.13 Delen D，Walker G，Kadam A.Predicting breast cancer sur-vivability：a comparison of three data mining methods J.

31、ArtifIntell Med，2005，34(2)：113-127.14 Kusiak A，Dixon B，Shah S.Predicting survival time for kid-ney dialysis patients：a data mining approach J.Comput BiolMed，2005，35(4)：311-327.15 Firouzi F，Rashidi M，Hashemi S，et al.A decision tree-based approach for determining low bone mineral density ininflammator

32、y bowel disease using WEKA software J.Eur JGastroenterol Hepatol，2007，19(12)：1075-1081.16 Witten IH，Frank E Data mining：practical machine learningtools and techniquesM Second Edition，San Fransisco：Mor-gan Kaufmann Publishers，2005：97-10217 Twa MD，Parthasarathy S，Raasch TW Decision tree classifi-catio

33、n of spatial data patterns from videokeratography usingZernike polynomialsA SIAM International Conference on DataMining C.San Francisco：Society for industrial and appliedmethematics，2003：3-1218 Twa MD，Parthasarathy S，Roberts C，et al.Automated deci-sion tree classification of corneal shapeJ.Optom Vis

34、 Sci，2005，82(12)：1038-1046.19刘祖国，陈家祺，王铮，等圆锥角膜的角膜地形图改变J中华眼科杂志，1994，30(3)：189-191.20瞿小妹，李梅圆锥角膜早期的角膜地形图改变J眼科新进展，2001，21(2)：109-11021姜宏钧，谢培英圆锥角膜的角膜地形图分析J中华眼科杂志，2006，42（3）：231-235（编辑：柴玲玲）modelsmethodsprecisiontargetmain characteristicsstatisticsRM86%圆锥角膜，疑似，其他统计学方法简单易行，容易解释，但由于数据量的局限，容易忽视各统计参数内在联系，准确率不高KISA%83%圆锥角膜疑似与早期患者Z389%圆锥角膜，其他KPI74%圆锥角膜，疑似，其他或者圆锥角膜的严重程度artifical neural networkANN94100%圆锥角膜疑似，患者，其他不易解释，不能得知各属性的重要性decision tree classificationC4.593%正常与圆锥角膜患者对噪声数据不敏感，计算简单，分类规则直观易懂利用交叉验证方法，更有效利用数据，利用算法自动计算出各分类属性的重要性480-