应用判别、分类树和神经网络分析鉴别有或无视野缺陷的潜在青光眼嫌疑人

摘要

目的本研究有两个目的。第一个是根据标准的眼科检查和视神经头部地形参数，研究是否有可能区分有和没有青光眼视野缺损的眼睛。第二个目标提出了一个问题，即几种建议的统计模型是否有能力将其结果推广到以前未见过的新患者。方法:调查上述提出的问题:(a)独立的、双边的t-检验，(b)线性判别分析与正向逐步变量选择算法，(c)四种分类树分析和(d)三种不同的神经网络模型与正向，采用逆向遗传变量选择算法对1020名视野正常的受试者和110名视野有青光眼缺损的受试者进行筛选。用汉弗莱视野分析仪检测视野和TopSS^®激光断层扫描测量了视神经的地形。对模型(b)、(c)和(d)采用10倍交叉验证方法来计算特异性和敏感性的95%置信区间。一项关于18项研究的文献研究处理了是否/如何控制泛化误差的问题(控制样本偏差、交叉验证程序、有效泛化训练的净大小)。它也被调查是否点估计或95%置信区间使用报告特异性和敏感性率。结果:(a)两组之间的手段只有少数差异，包括年龄、现有眼病、最佳矫正视力和视野参数。线性判别分析(b)、分类树分析(c)和神经网络(d)的特异性较高，但敏感性较低。文献研究表明，三个模型没有应用交叉验证程序来报告它们的结果。其中两个模型采用检验样本交叉验证方法，13个模型采用v-fold交叉验证方法。虽然大多数作者报告了ROC下区域的置信区间，但没有作者报告真实的但未知的敏感性和特异性的置信区间。结论:(a)本研究结果表明TopSS的标准眼科学参数与视神经头地形参数相结合^®仪器不足以正确区分正常眼睛和有青光眼视野缺损的眼睛。(b)我们遵循统计学习理论中关于适当泛化的重要建议，并建议将这些方法应用于给定的模型或未来的模型。至少要满足三个条件:(1)用置信区间代替点估计值来评估模型的分类性能(控制测试样本偏差);(2)敏感性和特异性利率应该估计而不是报告点估计ROC曲线下的面积和(3)泛化误差应该在训练和测试样本和报告方法应该被应用到选择适当的训练样本大小有效的概括。

医学中的计算和数学方法

应用判别、分类树和神经网络分析鉴别有或无视野缺陷的潜在青光眼嫌疑人

摘要

版权

更多相关文章