基于深度学习的眼部结构分割技术助力重症肌无力辅助诊断新突破

《Tsinghua Science and Technology》：A Deep Learning-Based Ocular Structure Segmentation for Assisted Myasthenia Gravis Diagnosis from Facial Images

本研究针对重症肌无力(MG)临床诊断中人工评估眼部结构存在主观性强、效率低的问题，开发了一种基于深度学习(DL)的自动眼部结构分割系统。研究人员通过面部图像采集、眼部区域定位及经典分割模型(如TransUNet)的应用，实现了对瞳孔、虹膜等关键眼部结构的精准分割。实验表明该系统能显著提升分割精度(Mdice达0.877)，并将医生诊断准确率最高提升至97.5%，为MG的早期筛查提供了可靠的辅助工具。

　　

在神经内科领域，重症肌无力(Myasthenia Gravis, MG)作为一种自身免疫性神经肌肉疾病，正日益成为公共卫生的重要挑战。全球患病率约为15-25例/10万人，而中国地区的医院死亡率高达14.69%，凸显了该疾病诊治的紧迫性。患者常表现为波动性肌无力，其中眼外肌无力是85%患者的首发症状，这使得眼部评估成为早期诊断的关键环节。然而，临床常用的定量评分系统(如QMG和ARS-MG)依赖医生手动测量眼部结构边界，存在耗时费力、主观性强等问题，严重制约了大规模临床应用的可行性。

为突破这一瓶颈，来自北京工业大学与北京医院的研究团队在《Tsinghua Science and Technology》发表了一项创新研究，首次系统性地将深度学习分割模型应用于MG的辅助诊断。该研究构建了包含面部图像采集、眼部区域定位、眼部结构分割的完整工作流，通过对比TransUNet、UNet等经典模型，发现结合Transformer与CNN的混合架构在眼部结构分割任务中表现最优，其分割结果显著提升了神经科医生的诊断效率与准确性。

关键技术方法主要包括：1）使用智能手机采集400名参与者（含210名MG患者）的面部图像，通过Dlib库定位68个面部关键点并提取眼部区域；2）采用包含7650张眼部图像的数据集（结合私有数据集与UBIRIS.v2公开数据集），由神经科医生进行像素级标注；3）对比UNet、Deeplabv3+、TransUNet等5种分割模型，采用交叉熵损失和Dice损失联合优化；4）临床评估阶段邀请4名医生对40名参与者进行辅助诊断验证。

4.3 不同模型分割性能的定量比较

实验数据显示，TransUNet在私有数据集上取得最高Mdice值0.877，其HD95（8.420）和MASD（3.148）显著优于其他模型。在公开数据集上，TransUNet的Mdice达0.888，印证了Transformer架构在捕获长程依赖关系的优势。而轻量级模型SegNet（参数量1.42×10⁶）在保持较低计算成本的同时，Mdice达到0.840，展现出良好的应用潜力。

4.4 基于不同模型的分割性能定性评估

视觉结果显示，TransUNet生成的分割边界连续平滑，能准确区分瞳孔、虹膜、巩膜和泪阜等结构。对比其他模型存在的像素跳跃（如UNet++）或区域不连续（如Deeplabv3+）问题，TransUNet凭借全局上下文理解能力，显著提升了复杂眼部结构的细节还原度。

4.5 消融实验

研究表明，直接在全脸图像上进行分割会导致性能急剧下降（如UNet的Mdice从0.832降至0.312），而先定位眼部区域可消除背景干扰，使HD95指标从215.556优化至10.620，验证了眼部区域定位步骤的必要性。

4.6 不同经典分割模型的效能评估

TransUNet的单张图像推理时间为0.795秒，虽高于SegNet（0.132秒），但仍满足临床实时性需求。该平衡了精度与效率的矛盾，为临床集成提供了可行性。

4.7 临床辅助效果评估

辅助诊断组较独立诊断组显著提升诊断水平：资深医生灵敏度从0.947升至1.000，诊断时间缩短42%；资浅医生准确率从0.825提升至0.925，诊断时间减少60%，表明该系统可帮助资浅医生达到资深医生水平。

研究结论表明，该工作首次系统验证了深度学习分割模型在MG临床诊断中的可行性。通过眼部结构精准分割提供的眼睑距离、巩膜面积等量化指标，为医生提供了直观的决策支持。未来可通过多模态数据融合（如肌电图、临床记录）进一步优化模型性能。这项研究为资源匮乏地区的MG筛查提供了新思路，推动了人工智能在神经免疫疾病诊断中的应用边界。