编辑推荐：
为解决传统临床测量眼前节参数耗时、易出错等问题，研究人员开展基于深度学习的超声生物显微镜（UBM）眼前节图像关键点定位与参数测量研究。结果显示该方法可行，能提高诊断效率，对眼科疾病诊断和治疗意义重大。
在眼科领域，准确评估眼前节健康状况对于多种疾病的诊断和治疗至关重要。像青光眼，患者常伴有眼压（IOP）升高、前房变浅、眼轴缩短、晶状体增厚或前移以及角膜直径和曲率变小等症状；白内障手术中，精准测量眼前节参数对选择合适的手术方式和人工晶状体（IOL）至关重要；而在矫正高度屈光不正的眼内接触镜（ICL）植入手术里，精确的眼前节参数更是手术成功的关键。
传统的临床测量方法，如使用 Orbscan、IOL - Master、Pentacam、A 超、前节光学相干断层扫描（AS - OCT）和超声生物显微镜（UBM）等设备进行手动标注或测量，存在诸多弊端。一方面，这些方法对操作人员的专业技能要求极高，不同操作人员之间的测量结果差异较大，严重影响测量的精度和一致性；另一方面，手动标注和测量过程不仅耗时费力，还极易出现人为误差，大大降低了工作效率。此外，部分传统设备受硬件限制，分辨率和测量精度有限，难以实现高精度的评估。
为了突破这些困境，中国医学科学院北京协和医学院天津健康科学研究院生物医学工程研究所的研究人员开展了一项极具意义的研究。他们利用深度学习技术，借助 YOLOv8 模型对临床收集的 UBM 图像进行语义分割，精准识别角膜 - 巩膜、前房、瞳孔和虹膜 - 睫状体等关键眼前节结构。随后，对 UBM 数据进行分类筛选，排除临床意义不大的数据。接着，运用 YOLOv8 目标检测算法进行关键点定位，确定角膜中央上皮、角膜中央内皮、晶状体后囊等十个解剖关键点的位置，并基于这些关键点计算出中央角膜厚度（CCT）、前房深度（ACD）、瞳孔直径（PD）等七个对临床诊断具有重要意义的眼前节参数。
在研究过程中，研究人员运用了多种关键技术方法。首先，收集了天津医科大学眼科医院 2019 年 4 月 11 日至 2020 年 9 月 18 日期间近视患者准备进行 ICL 手术的 716 张全景 UBM 图像，构建研究数据集。然后，使用 Labelme 软件对图像进行标注。在此基础上，采用 YOLOv8s - seg 语义分割模型对图像中的关键结构进行分割，利用 YOLOv8s 模型进行二分类和关键点定位，并通过五折交叉验证评估模型性能。
研究结果令人欣喜。在分割模型方面，该模型在内部数据集上达到了 0.8836 的平均交并比（mIoU）和 0.9795 的平均像素准确率（mPA），展现出强大的分割性能。二分类模型中，对于未分割图像，模型的平均精度均值（mAP）为 0.9661，准确率为 0.9254，召回率为 0.9549；对于分割后的图像，mAP 达到 0.9719，准确率为 0.9259，召回率为 0.9615。
在关键点定位和参数计算上，分割后的模型表现更为出色。定位模型的平均欧氏距离误差从分割前的 71.57 ± 67.36μm 降至 58.73 ± 63.04μm，平均绝对误差（MAE）和均方根误差（RMSE）也有所改善，mAP、准确率和召回率均有所提高，帧率（FPS）超过 32 帧 / 秒，这意味着模型不仅定位更准确，检测速度也较快。在参数测量上，分割后 ATA、STS、PD 和 CLR 这四个参数的测量精度显著提升，不过 CCT、ACD 和 LT 的精度略有下降，这可能与分割误差积累、结构边界难以精确界定、非边界关键点受影响以及 UBM 分辨率限制等因素有关。通过 Bland - Altman 图分析发现，分割后的模型测量结果变异性更小，与真实值的一致性和稳定性更强。
研究结论表明，基于 YOLOv8 深度学习模型的 UBM 眼前节图像关键点定位和参数测量方法切实可行。该方法能够准确有效地检测出七个关键的眼前节参数，与临床专家确定的金标准相比，测量误差极小，为临床医生提供了极具价值的参考，大大提高了眼科疾病的诊断效率，展现出良好的临床应用潜力。然而，该研究也存在一些局限性，比如对计算资源的依赖较高，模型泛化能力较弱，结果可解释性有限等。未来还需要进一步开展临床实践验证，优化模型，以更好地满足临床需求。
