《Photodiagnosis and Photodynamic Therapy》：Axial and Choroidal Changes as Key Predictors of Myopia Control in Red-Light Therapy: Evidence from Machine Learning Models
编辑推荐：
本研究针对重复低强度红光(RLRL)疗法控制近视疗效预测因素不明确的问题，通过多中心队列研究结合机器学习算法，开发了可准确预测短期和长期疗效的模型。研究发现轴向长度变化(ChangeAL)和脉络膜厚度变化(ChangeChT)是核心动态生物标志物，XGBoost模型预测效能优异(AUC 0.90-0.92)。该研究为近视个性化治疗提供了重要工具，推动了人工智能在眼科领域的临床应用。
在全球范围内，近视已成为影响青少年视觉健康的重要公共卫生问题。据预测，到2050年，全球约有50%的人口将受到近视困扰，其中近10亿人将发展为高度近视。当前主流的近视控制方法包括基于离焦理论的光学干预（如角膜塑形镜、多焦点软性接触镜等）和低浓度阿托品药物治疗，但这些方法存在局限性，如长期配戴角膜塑形镜可能导致泪膜不稳定，低浓度阿托品可能引起畏光等不适。近年来，重复低强度红光(RLRL)疗法作为一种非侵入性干预手段，显示出控制近视进展的潜力。然而，其疗效预测因素尚不明确，缺乏可靠的预测模型。在此背景下，研究人员开展了一项多中心队列研究，旨在建立并验证能够预测RLRL治疗短期和长期效果的机器学习模型。
为开展本研究，研究人员收集了538例接受RLRL治疗的儿童患者数据，最小随访时间为一年。通过四种特征选择方法（LASSO回归、Boruta算法、递归消除和多元回归）筛选预测变量，并采用七种机器学习算法构建预测模型。模型性能通过曲线下面积(AUC)、敏感性、特异性等指标进行评估，并利用SHAP和LIME分析增强模型可解释性。
研究结果方面，通过基线特征与特征选择发现，年龄、基线轴向长度(AL)、前房深度(ACD)、颞下方视网膜神经纤维层厚度(TI)以及治疗三个月内的轴向长度变化(ChangeAL)和脉络膜厚度变化(ChangeChT)是稳定的预测因子。模型性能比较显示，XGBoost模型在一年和两年预测模型中均表现出最优性能（AUC分别为0.90和0.92）。模型可解释性分析表明，ChangeAL是短期疗效的主要预测因素，而ChangeChT对长期疗效影响更大。年龄较大和脉络膜增厚与保护效应相关。
本研究成功开发并验证了基于机器学习的RLRL疗效预测模型，首次明确了ChangeAL和ChangeChT作为关键动态生物标志物的重要性。研究不仅为临床医生提供了实用的决策工具，也为近视管理的个性化治疗奠定了基础。该模型的高预测精度和良好可解释性使其具有重要的临床转化价值。未来研究可通过扩大样本量和延长随访时间进一步优化模型，并深入探讨相关生物学机制。该研究成果发表于《Photodiagnosis and Photodynamic Therapy》期刊，为近视防控领域提供了新的研究方向和实践指导。
