通过基于深度学习的红外图像分割技术对睑板腺功能障碍进行定量评估

《Frontiers in Artificial Intelligence》：Quantitative evaluation of meibomian gland dysfunction via deep learning-based infrared image segmentation

干眼症诊断与分级基于深度学习图像分割的定量分析研究。采用DeepLabV3+、U-Net和U-Net++三种模型对红外泪膜腺图像进行分割，提取形态（面积、密度、长度等）与空间分布（相邻腺体距离、 disorder度）特征，通过Spearman相关分析（r=0.26-0.58，p<0.001）和Box图验证指标与MGD分级的相关性，Logistic回归模型AUC达0.89-0.94。U-Net模型在泪膜腺分割中表现最优（IoU=0.72，F1=0.82），验证了定量分析在客观诊断中的价值。

　　近年来，随着人工智能技术的迅猛发展，图像分割在医学领域的应用日益广泛。特别是针对眼睑中板腺（Meibomian Glands, MG）的分析，图像分割技术被广泛用于评估其形态和功能，为干眼症（Dry Eye Disease, DED）及其主要病因——板腺功能障碍（Meibomian Gland Dysfunction, MGD）的诊断和分级提供了新的可能性。然而，尽管已有许多先进的图像分割算法被应用于MG分析，其在临床中的实际应用仍受到一定限制，主要体现在与MGD诊断和分级流程的整合不足。为了弥补这一差距，本研究采用三种先进的深度学习模型——DeepLabV3+、U-Net和U-Net++——对红外板腺图像进行分割，并从中提取定量特征，用于MGD的诊断和严重程度评估。通过综合分析形态学（如腺体面积、宽度、长度和变形）和分布特征（如腺体密度、数量、相邻腺体间距、分布紊乱程度和丢失比例），研究揭示了这些指标与MGD严重程度之间的显著相关性，为自动化诊断和分级提供了可靠依据。

板腺功能障碍是干眼症的常见病因之一，其全球发病率高达50%，并且在女性和老年人中更为普遍。从医学角度来看，MGD的病理基础涉及腺体结构变化、分泌功能减弱和炎症反应，这些因素共同导致泪液蒸发过快，进而加重干眼症状。传统的诊断方法主要依赖于临床医生的主观症状评估和泪液破裂时间测量，但由于其对临床经验的依赖性较强，且无法提供客观的量化指标，难以满足精准医学对客观性与可重复性的需求。因此，图像分析技术，尤其是红外板腺成像和图像分割方法，逐渐成为MGD诊断的重要工具。

为了实现对MGD严重程度的准确评估，研究人员和临床医生越来越多地依赖图像分析技术，如红外板腺成像和图像分割。这些技术能够提供更客观、可重复的评估方式，从而提升诊断的准确性。人工智能（AI）技术在眼科学诊断中的应用也展现出巨大潜力，通过整合多源信息，如红外图像和临床数据，AI模型显著提高了MGD诊断的准确性和一致性。此外，基于移动健康平台的AI应用还推动了MGD的早期筛查和动态监测，而可解释性AI则通过优化模型的鲁棒性和透明度，支持了自动化MGD检测的发展。

本研究旨在开发一种基于图像分割结果的新型定量指标提取方法，并探讨其在MGD诊断中的应用价值。研究中使用DeepLabV3+、U-Net和U-Net++模型对红外板腺图像进行处理，随后从分割结果中提取一系列定量指标，包括创新性的腺体面积、密度、宽度、相邻腺体间距、分布紊乱程度和丢失比例，以及基于主成分分析（PCA）的腺体长度和变形计算方法。这些指标能够更准确地描述腺体的复杂几何特征。通过Spearman相关性分析、箱线图可视化和逻辑回归模型，系统验证了这些指标与MGD严重程度之间的相关性及其诊断效能。

在模型性能评估方面，实验数据显示，U-Net在MG图像分割任务中表现出显著优势，其IoU指数达到0.72，F1分数为0.82，优于DeepLabV3+和U-Net++模型。这表明U-Net在处理复杂的腺体边缘和细小结构时，具有更高的精度和稳定性。相比之下，DeepLabV3+和U-Net++在处理复杂或不规则的腺体结构时，表现略逊一筹，尤其在边缘细节和微小结构的识别上存在一定的局限性。尽管如此，三种模型在眼睑区域的分割任务中均表现出良好的性能，IoU值均在0.93至0.94之间，说明眼睑区域的结构较为规律，便于模型分割。

通过Spearman相关性分析，研究发现大部分定量指标与MGD严重程度存在显著的正相关性（相关系数范围为0.26至0.58，p < 0.001），表明这些指标在MGD诊断中具有潜在价值。箱线图分析进一步揭示了这些指标在不同MGD等级中的分布差异，其中中位数呈现出渐进变化，四分位距扩大，异常值增加，反映了疾病进展过程中腺体形态的变化。逻辑回归模型的构建和验证表明，这些定量指标在不同MGD等级的分类任务中展现出良好的预测能力，其中AUC值分别为0.89 ± 0.02（等级0）、0.76 ± 0.03（等级1）、0.85 ± 0.02（等级2）和0.94 ± 0.01（等级3）。微平均和宏平均AUC值分别为0.87 ± 0.02和0.86 ± 0.03，进一步验证了模型的稳定性和泛化能力。

本研究的定量指标系统具有创新性和优势，主要体现在三个方面。首先，该系统改进了传统形态学指标的计算方法，通过提出基于PCA的腺体长度、宽度和变形计算方法，能够更准确地捕捉腺体的自然延伸方向和形态特征，特别是对于弯曲或分支的不规则腺体结构，能够更好地反映其真实病理形态，减少因形态复杂性带来的测量偏差。其次，该系统填补了对腺体空间分布特征量化分析的空白，通过引入相邻腺体间距和分布紊乱程度指标，首次实现了对腺体空间分布特征的定量分析。传统研究多关注单个腺体的形态特征，而本研究发现腺体的空间排列模式与MGD的进展密切相关，例如重度MGD患者常表现出腺体簇状萎缩，相邻腺体间距和紊乱程度显著增加。这些特征无法通过简单的形态学指标反映，为疾病分级提供了新的诊断维度。第三，该系统提出了一个综合性的病理指标——腺体丢失比例，通过量化腺体消失区域占总腺体分布区域的比例，能够同时反映腺体萎缩和分布稀疏等病理变化。这种方法克服了传统单一指标只能描述局部特征的局限性，更全面地反映了MGD过程中腺体的整体退化趋势。

尽管本研究在MGD诊断和分级方面取得了重要进展，但仍然存在一些局限性。首先，研究未整合功能性指标，如腺体分泌质量与可表达分泌能力，这些指标对于全面评估MGD具有重要意义。其次，研究未考虑腺体开口阻塞这一MGD病理学中的关键特征，这一遗漏主要源于两个方面：一是当前红外成像技术与图像分割算法更适用于结构分析，难以检测功能性或动态特征；二是研究重点放在结构指标上，导致未能构建一个融合结构和功能信息的综合评估体系。因此，未来的研究方向应包括整合多模态成像技术和功能性指标，如将红外板腺成像与动态成像模态相结合，以获取如睑脂流动动力学和腺体开口通畅性等功能性数据。此外，还应开发更先进的算法，以在现有图像分割框架的基础上，实现结构特征与功能性指标的同时提取，从而构建更全面的MGD评估体系。

本研究的成果不仅为MGD的客观诊断和分级提供了可靠的技术支持，还为眼科学的自动化诊断系统奠定了基础。通过深度学习辅助的定量分析方法，研究显著提升了MGD诊断的客观性、效率和可重复性。未来，随着多模态成像技术和先进算法的进一步发展，MGD的诊断和分级将更加精准和全面，从而为临床医生提供更有力的辅助工具，助力干眼症的早期筛查和个性化治疗。同时，该研究的成果也为其他医学影像领域的自动化分析提供了技术参考，展示了人工智能在医学图像处理中的广阔前景。