基于机器学习与光学相干断层扫描视网膜血管直径的偏头痛分析：一种创新诊断路径

　　本研究针对偏头痛复杂病理机制与视网膜血管系统的关联性挑战，通过光学相干断层扫描（OCT）提取视网膜动静脉直径及脉络膜厚度等特征，结合LightGBM算法实现高效分类（AUC 93.28%），为神经眼科疾病诊断提供了无创机器学习新范式。

　　

偏头痛作为一种原发性头痛疾病，以单侧搏动性头痛和神经症状为特征，其复杂病理生理机制不仅涉及中枢神经系统，还可能影响视网膜血管系统。近年来，光学相干断层扫描（Optical Coherence Tomography, OCT）等视网膜成像技术已成为神经眼科疾病研究的重要工具。

本研究通过OCT获取视网膜图像，测量动脉与静脉直径、脉络膜厚度等参数，并结合年龄、性别数据构建特征集。针对70例偏头痛患者与38例健康对照的样本不平衡问题，采用SMOTE（Synthetic Minority Over-sampling Technique）算法进行数据平衡。特征间线性关系通过皮尔逊相关系数（Pearson’s Correlation Coefficient）评估。

分类任务采用多种机器学习算法，最终LightGBM（Light Gradient Boosting Machine）模型表现最优，其评估指标为：曲线下面积（Area Under the Curve, AUC）93.28%，准确率（Accuracy, Acc）91.14%，F1分数（F1-score）86.67%，Kappa统计量（Kappa statistic, KS）0.74，马修斯相关系数（Matthews Correlation Coefficient, MCC）0.76。

结果表明，基于集成学习Boosting架构的Classifier在偏头痛预测中显著优于传统机器学习模型。本研究初步验证了通过OCT数据与机器学习方法实现偏头痛辅助诊断的可行性，为未来无创性神经眼科诊断提供了新方向。