基于人工智能的生物力学指数在早期角膜扩张检测中的应用：超越断层扫描技术

《Ophthalmology Science》：Artificial Intelligence-Derived Biomechanical Index for Early Corneal Ectasia Detection: Advancing Beyond Tomography

角膜ectasia早期诊断的人工智能生物力学指标研究：基于Corvis ST动态视频的多中心回顾性研究，通过像素级位移、灰度强度和厚度变化分析，结合机器学习投票分类器，构建新型AI生物力学指标，AUC达0.995，优于传统Pentacam和Corvis ST指标，为早期筛查提供工具。

　　### 早期角膜扩张的AI衍生指标开发与评估

角膜扩张是一种常见的角膜疾病，其特征是角膜逐渐变薄和变陡，导致不规则散光、近视以及视力相关生活质量的下降。早期诊断对于防止疾病进展和减少激光视力矫正手术后角膜扩张的风险至关重要。然而，传统的角膜地形图和断层扫描技术虽然在检测角膜形状异常方面非常有效，但它们可能无法识别最早期的生物力学变化。已有研究指出，一些患者在看似正常的地形图和断层扫描结果下仍出现了术后激光视力矫正（LVC）后的角膜扩张，这表明当前技术在早期检测方面存在局限。

为了解决这一问题，研究人员开发了一种新的基于人工智能（AI）的指标，利用动态角膜视频中的时空生物力学数据，以提高早期角膜扩张的检测能力。该研究采用了多中心、横断面、病例对照的回顾性设计，涵盖了来自两个中心的451只眼睛的数据，包括167只正常（N）患者、83只非常不对称扩张但正常地形图（VAE-NT）患者以及来自64名双侧角膜扩张患者的另一只眼睛（即轻度角膜扩张，MKC）。通过分析角膜的动态变形、基质灰度变化和厚度波动，研究团队识别出一种具有最佳检测能力的新风险评分系统，该系统能够有效区分正常与早期角膜扩张（包括VAE-NT和MKC）。

研究团队开发了一套计算机视觉处理流程，从Corvis ST视频中提取关键的生物力学特征。他们使用了OpenCV库进行视频帧的自动化处理，并结合了多种分析方法，包括对角膜变形的像素级分析、基质灰度波动的光流分析以及厚度变化的分析。通过计算每个视频帧中关键位置的像素位移、面积下曲线（AUC）以及不同关键位置之间的差异和总和，研究人员能够全面地捕捉角膜的动态变化。此外，他们还对基质灰度和厚度的变化进行了统计分析，以评估这些特征在区分正常与早期扩张中的重要性。

为了提高模型的准确性和鲁棒性，研究团队采用了软投票集成分类器，结合了三个随机森林（RF）模型和一个支持向量机（SVM）分类器。通过调整参数和使用Youden指数确定最佳分割点，该AI衍生指标在测试数据集中达到了96%的准确率、0.995的AUC值、97%的灵敏度和96%的特异性，显著优于现有的Corvis ST和Pentacam断层扫描、地形图和生物力学指标，如Belin/Ambrósio增强型扩张显示（BAD-D）、Corvis生物力学指数（CBI）和断层扫描与生物力学指数（TBI）。这些结果表明，该AI衍生指标在检测早期角膜扩张方面具有优越的性能，能够更早、更准确地识别角膜扩张的潜在风险。

### 方法与数据分析

研究团队在伊朗和德国的两家私人眼科中心进行了回顾性分析，获得了来自451名患者的高质量动态角膜视频数据。这些数据包括来自伊朗的314只眼睛和来自德国的137只眼睛，所有数据均经过匿名化处理以确保隐私和符合数据保护法规。研究团队对数据进行了详细的统计分析，包括使用独立样本t检验和Wilcoxon秩和检验来评估正常与早期扩张组之间的差异。结果表明，Kmax、BAD-D、CBI和TBI等指标在正常与早期扩张组之间存在显著差异，而年龄和性别分布则较为相似。

在特征提取和选择方面，研究团队首先从视频中提取了94个初始特征，随后通过预处理步骤去除低相关性、冗余和缺失值较高的特征，最终保留了66个有效特征。通过递归特征消除（RFE）方法，研究团队进一步筛选出最优的10个特征，用于构建AI衍生指标。这些特征包括动态变形的平均高于阈值相关性、不同区域间的交叉相关性以及基质厚度的变化等。

为了验证AI衍生指标的性能，研究团队使用了多种方法，包括计算AUC、灵敏度、特异性和F1分数，以及通过无监督学习方法如主成分分析（PCA）和K-means聚类进行进一步分析。结果表明，AI衍生指标在外部验证数据集中表现优异，达到了1.0的AUC值，显著优于其他现有指标。此外，通过K近邻（KNN）决策边界图，研究团队能够直观地展示模型在区分正常与早期扩张方面的能力，进一步证明了其在临床中的实用性。

### 结果与讨论

在测试数据集中，AI衍生指标的准确率为96%，AUC值为0.995，灵敏度和特异性分别为97%和96%。在外部验证数据集中，该指标同样表现出色，AUC值达到1.0，表明其在不同中心和人群中的适用性。相比之下，传统的BAD-D、CBI和TBI指标的AUC值分别为0.940、0.922和0.946，均低于AI衍生指标。此外，研究团队还发现，AI衍生指标在AUSEP（面积下分离曲线）的评估中表现更优，表明其在区分正常与早期扩张方面具有更高的鲁棒性。

在特征重要性分析中，研究团队发现“动态变形的平均高于阈值相关性”和“动态变形的平均区域间滞后交叉相关性”是最重要的两个特征。这些特征能够有效捕捉角膜的微结构和粘弹性变化，从而提高早期扩张的检测能力。通过与现有指标的比较，研究团队发现AI衍生指标在区分正常与早期扩张方面具有显著的优势，特别是在处理低BAD-D值的病例时，其表现更为稳定和可靠。

### 临床意义与未来展望

这项研究的结果具有重要的临床意义。AI衍生指标能够更早、更准确地检测角膜扩张，从而为患者提供更及时的干预措施，减少视力损害的风险。此外，该指标的开发为角膜生物力学评估提供了新的思路，强调了动态分析在早期诊断中的重要性。通过整合结构和生物力学信号，研究团队提出了一种更为全面的检测框架，有助于提高早期角膜扩张的识别率。

然而，研究团队也指出了该研究的一些局限性。首先，横断面设计可能引入选择偏差，未来的研究应考虑纵向随访，以评估角膜生物力学变化的动态过程。其次，尽管外部验证数据集来自不同的种族和地理群体，但训练和初步测试数据集主要集中在单一中心，这可能影响模型的普遍适用性。因此，未来的多中心验证是必要的，以确保该指标在不同临床环境中的有效性。第三，该研究尚未将AI衍生指标整合到实际的临床工作中，未来的工作应关注开发实用、用户友好的决策支持工具，以帮助眼科医生进行早期角膜扩张的诊断。最后，由于数据限制，研究团队未能将术后激光视力矫正（LVC）后的角膜扩张病例纳入VAE-NT组，这可能限制了该指标在手术风险评估中的应用。因此，未来的研究应考虑纳入这些病例，以提高模型在手术筛查中的相关性。

### 结论

本研究开发了一种基于Corvis ST视频的时空生物力学特征的AI衍生指标，该指标在检测非常早期的角膜扩张方面表现出色，显著优于现有的地形图、断层扫描和生物力学指标。通过分析像素级的位移和基于相关性的指标，该AI衍生指标能够识别出在结构异常出现之前就存在的微小生物力学变化。这一方法不仅提高了早期角膜扩张的检测能力，还为临床决策提供了新的工具，有助于改善激光视力矫正术前筛查的准确性。未来的工作应进一步验证这些发现，并探索深度学习和大语言模型（LLMs）等新兴AI技术，以进一步提升早期角膜扩张的检测水平。