小切口角膜透镜取出术（SMILE）是一种安全有效的屈光矫正手术。然而，VisuMax飞秒激光系统自带的Nomogram往往高估实际角膜透镜厚度（LT），导致我们对患者术后剩余的中央角膜厚度往往产生低估。为提高对LT的预测精度，本研究采用多种机器学习模型进行LT预测并分析其影响因素。

我们收集了302只眼球的9项变量及其LT结果作为输入参数，包括年龄、性别、角膜前表面平均曲率读数、透镜直径、术前中央角膜厚度（CCT）、眼轴长度、角膜前表面偏心率（E）、球镜度数与柱镜度数。研究采用多元线性回归及多种机器学习算法构建LT预测模型。

评估结果显示，随机森林（RF）模型的预测性能最优（R²=0.95），并发现CCT与E在LT预测中具有重要价值。为验证RF模型效能，另选取50只眼球进行测试。结果表明：系统计算图平均高估LT达19.59%，而RF模型仅平均低估-0.15%。

本研究可为SMILE手术角膜透镜厚度的精准测算提供有效技术支撑。