Классификация стадий глаукомы с помощью машинного обучения

Abstract

Для стадирования ПОУГ построены четыре модели машинного обучения. На тестовой выборке точность моделей составила 84,6–92,3%, лучший результат показал Random Forest. На основе топ-6 наиболее значимых признаков (MD, возраст, PSD, sup 90°, толщина RNFL в темпорально-нижнем секторе, толщина GCL в нижнем секторе) создана упрощённая модель, сохранившая точность 92,3% и может быть рекомендована для клинического использования.

For POAG staging, four machine learning models were developed. Test accuracy ranged from 84.6% to 92.3%, with Random Forest achieving the best result. A simplified model based on the top‑6 features (MD, age, PSD, sup 90°, inferotemporal RNFL thickness, inferior GCL thickness) preserved 92.3% accuracy and can be recommended for clinical use.