Die Studie wurde in Shanghai von der Ethikkommission des Shanghai General Hospital, Shanghai Jiao Tong University School of Medicine (genehmigt in den Jahren 2016 und 2018) genehmigt und hielt sich an die Grundsätze der Deklaration von Helsinki. Die Verfahren in Kunming, Guangzhou, Hohhot, Peking und Hongkong wurden von den entsprechenden Ethikkommissionen genehmigt. Geschriebene informierte Einwilligungen wurden von allen Kindern und ihren gesetzlichen Vormündern eingeholt. Alle Fundusaufnahmen und klinischen Daten wurden vor der Modellentwicklung deidentifiziert. Die Studie wurde bei ClinicalTrials.gov registriert.
Die Sphärenäquivalenz (SE) wurde basierend auf zykloplegischen Autorefraktionsergebnissen berechnet. Myopie und hohe Myopie wurden definiert als SE ≤ −0,50D und SE ≤ −6,00D. Der Beginn von Myopie und hoher Myopie wurde entsprechend definiert. Die Metadaten umfassten augenmedizinische klinische Daten und demografische Daten.
Die Entwicklung und Validierung der Modelle erfolgte anhand von Pre-Trainingsdaten aus der Shanghai Child and Adolescent Large-scale Eye Study sowie Baseline-Daten aus zwei großen prospektiven Studien zur Myopieerkennung. Externe unabhängige Datensätze wurden für die Validierung verwendet.
In der Qualitätssicherung der Bilder wurden Retinabildern von verschiedenen digitalen Retinakameras qualitativ bewertet und für die Modellentwicklung vorbereitet. Ein Qualitätskontrollverfahren wurde sowohl automatisiert als auch manuell durchgeführt.
Das DeepMyopia-Modell wurde entwickelt, um das Risiko der Myopieentstehung vorherzusagen. Es wurden verschiedene Methoden zur Verbesserung der Modellleistung angewendet, darunter Datenaugmentationstechniken und Transferlernen mit Deep-Learning-Algorithmen.
Für die Risikostratifizierung der Myopieentstehung wurden Cox-Proportional-Hazard-Modelle verwendet. Die Überlegungen zur Wirksamkeit des DeepMyopia-Modells bei der Identifizierung hochrisikobehafteter Kinder wurden durch eine nachgeahmte randomisierte kontrollierte Studie bestätigt.
Um die Vorhersagen des KI-Modells zu veranschaulichen, wurden Gradient-gewichtete Class Activation Mapping (Grad-CAM) und SHAP-Werte verwendet. Statistische Analysen wurden durchgeführt, um die Wirksamkeit und Leistungsfähigkeit des Modells zu bewerten.