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]。 1.4 KPI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96％[8-9]。
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(keratoconus 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%。
Carvalho[12]报道了运用Zernike多项式系数作为神经网络输入层的方法，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：①正常。②规则散光。③不规则散光。④圆锥角膜。⑤LASIK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，对未知数据进行分上一页 [1] [2] [3] [4] [5] 下一页
您现在的位置： 绿色健康网 >> 医学论文 >> 五官科论文 >> 正文