基于OCT的光神经病变诊断方法：采用可解释且保护隐私的机器学习技术

《Scientific Reports》：OCT-based optic neuropathy diagnosis using explainable and privacy-preserving machine learning

　　

摘要

青光眼与痴呆症、帕金森病和缺血性视神经病变等神经退行性疾病在影响眼睛健康方面存在相似之处。然而，当前的研究在神经病变的诊断中排除了神经退行性病例，而是依赖于“黑箱”模型。为了解决这个问题，我们将可解释的机器学习方法应用于光学相干断层扫描（OCT）数据，并结合了隐私保护机制，以创建一种可靠的神经病变诊断工具。研究分析了来自悉尼一家眼科诊所的268例青光眼患者、334例正常眼患者、56例痴呆症患者、60例帕金森病患者和93例缺血性视神经病变患者的眼部OCT数据。首先提取了空间域和频率域的特征，随后进行特征选择和层次化分类。通过使用Shapley Additive Explanations和部分依赖性分析来提高模型的可解释性，并通过差分隐私机制保护数据隐私。一个由三名临床医生组成的团队分别拥有12年、11年和6年的经验，他们对同一数据集进行了人机对比评估；机器在分类神经病变方面的曲线下面积达到了0.90。总体而言，机器的诊断准确性优于临床医生：在神经病变诊断上的准确率高出26.3%，在青光眼诊断上的准确率高出24.8%。总之，无论是不可解释的方法还是可解释的方法，都在增强临床决策的诊断支持方面显示出潜力，而隐私保护方法则确保了数据的安全性。