StrabNet-CQ：基于深度学习与眼部标志点检测的斜视自动分类定量一体化框架

《BMC Ophthalmology》：StrabNet-CQ: an integrated deep learning framework for automated strabismus classification and quantification using ocular landmark detection

本研究针对斜视（Strabismus）传统诊断方法主观性强、量化精度不足的问题，开发了StrabNet-CQ深度学习框架。通过集成YOLOv8目标检测、ResNet-101分类器和ResNet-18标志点检测技术，实现对600张眼部图像的自动分析。系统在斜视检测准确率达94%，分类准确率达90%，所计算的偏差指数与临床棱镜屈光度（PD）值显著相关（r=0.733）。该研究为斜视的客观诊断提供了可量化工具，具有重要临床转化价值。

　　

斜视，俗称“斗鸡眼”或“斜眼”，是一种常见的眼球运动失调疾病，表现为双眼视轴不平行。这种疾病不仅影响外观，更会导致双眼视觉功能丧失、立体视缺陷，严重时甚至引发弱视（Amblyopia）。传统诊断方法如Hirschberg试验、遮盖试验和棱镜（Prism）测量高度依赖临床医生的经验判断，存在主观性强、量化粗糙、不同医生诊断结果差异大等局限性。在医疗资源匮乏地区，这些问题尤为突出。

为解决上述临床痛点，Shubh Garg等研究人员在《BMC Ophthalmology》发表了题为“StrabNet-CQ: an integrated deep learning framework for automated strabismus classification and quantification using ocular landmark detection”的研究论文，提出了一种融合深度学习与计算机视觉技术的斜视自动诊断框架。该研究通过600张临床采集的眼部图像（包含正常、内斜视（Esotropia）、外斜视（Exotropia）、上斜视（Hypertropia）和下斜视（Hypotropia）五类样本），构建了一套能够同时完成斜视分类与严重程度量化的智能诊断系统。

关键技术方法主要包括：1）使用YOLOv8模型进行眼部区域检测和二分类（正常/异常）；2）采用ResNet-101对分割后的眼部区域进行五分类精细识别；3）基于ResNet-18的眼部标志点（内外眦、瞳孔中心）定位技术，进而计算水平偏差指数（HDI）、垂直偏差指数（VDI）和角度偏差等量化参数。所有图像数据均来自印度PGIMER医院眼科临床队列，并通过自动定向、图像分割、亮度调整等预处理步骤提升模型鲁棒性。

Binary classification

YOLOv8二分类模型在区分正常与异常眼位时表现出色，准确率达到94.00%，精确度（Precision）和召回率（Recall）分别为92.00%与94.00%。混淆矩阵显示该模型对异常病例的识别灵敏度超过90%，说明其具备可靠的初筛能力。

Multiclass classification

在多分类任务中，YOLOv8与ResNet-101均达到90.00%的整体准确率。ResNet-101在內斜视（灵敏度0.89）和下斜视（灵敏度0.90）的识别中表现尤为突出，但对上斜视和外斜视的分类存在一定误判。

Quantification

ResNet-18标志点检测模型在定位眼部关键点时达到极高精度（归一化均方根误差0.0140）。通过计算发现，不同斜视类型的角度偏差存在显著差异（p<0.001）：正常眼位平均3.96°，外斜视5.98°，内斜视10.02°，下斜视12.79°，上斜视达18.42°。特别值得注意的是，水平偏差指数（HDI）和主导偏差值与临床棱镜屈光度（PD）测量结果呈现强相关性（r=0.738和r=0.733），而垂直偏差指数（VDI）与PD的相关性较弱（r=0.411）。

研究团队在讨论中指出，StrabNet-CQ框架的创新性在于首次将YOLOv8应用于斜视分类，并实现了从“是否患病”到“患何种病”再到“严重程度如何”的全流程自动化诊断。与既往依赖专用眼动仪或复杂拍摄设备的方法相比，该系统仅需普通智能手机拍摄的眼部照片即可完成分析，极大提升了临床适用性。

尽管研究取得了显著成果，作者也坦承存在若干局限性：数据集样本量仍需扩大以提高模型泛化能力；对外斜视和上斜视的识别精度相对较低；未纳入既往手术患者及低龄儿童病例。未来工作将聚焦于扩大临床验证规模，并将该系统整合至远程医疗平台，推动其在基层医疗机构的实际应用。

综上所述，StrabNet-CQ通过深度融合多种深度学习算法，实现了斜视诊断从定性判断到定量评估的跨越。该系统不仅为临床医生提供了客观、可量化的诊断工具，更有望在筛查项目、远程会诊和个性化治疗方案制定中发挥重要作用，最终改善斜视患者的视觉预后和生活质量。