综述：机器学习在圆锥角膜诊断中的研究进展

这篇综述系统回顾了过去十年机器学习（ML）在圆锥角膜（KC）诊断中的应用进展，重点分析了算法性能（如随机森林RF、卷积神经网络CNN）、角膜成像模态（如Pentacam占56%）、数据集类型（77%为数值化角膜参数）及临床转化挑战。作者提出整合多学科协作、开发公开数据集和标准化诊断框架的路线图，以弥合学术研究与临床实践的差距。

　　

机器学习照亮圆锥角膜诊断之路

引言：圆锥角膜的临床挑战
圆锥角膜（KC）是一种以角膜变薄、前凸为特征的眼部疾病，全球发病率存在显著地域差异，中东和南亚人群尤为高发。传统诊断依赖角膜地形图（如Pentacam）和临床经验，但早期（亚临床期SCKC）识别仍面临巨大挑战。机器学习（ML）技术的介入为这一领域带来了新曙光。

算法竞技场：RF与CNN领跑
分析显示，监督学习（97%）主导KC诊断研究，其中随机森林（RF，27%）凭借高鲁棒性成为最常用算法，尤其在处理数值化角膜参数（占研究77%）时表现优异。卷积神经网络（CNN，16%）则在图像分析中崭露头角，如Xie等利用Pentacam图像实现94.7%准确率。值得注意的是，仅3%研究探索无监督学习，暗示未来算法创新的潜在方向。

数据之争：Pentacam霸权与本地化困局
Pentacam以56%的使用率成为最主流成像设备，其提供的角膜厚度、曲率等参数构成诊断基石。然而，91%研究依赖机构本地数据集，公开数据仅占9%（如CASIA SS-1000 OCT数据），严重制约模型泛化能力。Zeboulon等尝试通过3000例Orbscan图像构建CNN模型，验证了大数据对提升性能（99.3%准确率）的关键作用。

临床痛点：亚临床诊断与分期空白
研究聚焦五大KC状态分类，其中正常眼（NKC）vs临床KC（CKC）占29%，而SCKC检测（24%）和分期研究（仅20%）明显不足。Muhsin等开发的RF模型虽实现100%三分类准确率，但专家指出SCKC缺乏客观诊断标准仍是核心障碍——目前其判定仍依赖医师主观评估角膜地形图异常。

破局之道：多学科协同路线图
作者提出四步临床转化路径：1）修订全球共识（如Gomes等2015版），明确SCKC量化标准；2）构建多模态公开数据库（整合基因组+生物力学数据）；3）开发设备无关算法，适配不同角膜地形仪；4）建立临床-工程师协作平台。Salom?o等结合Corvis ST生物力学参数与Pentacam数据（AUC=0.99）的实践，印证了多参数融合的潜力。

未来展望：从实验室到诊室
尽管ML模型在回顾性研究中表现亮眼（如Al-Timemy等CNN模型达97.7%准确率），但临床落地仍面临三大壁垒：缺乏FDA认证模型、伦理争议（如AI决策透明度）、及医疗系统整合成本。研究者呼吁开展前瞻性多中心试验，并开发医生友好的交互界面——正如Ting等强调的，唯有当技术真正“读懂”临床需求，人工智能才能成为眼科医生的“第二双慧眼”。