OPEN MCOA：基于多模态深度学习的新型角膜混浊评估数据集推动精准诊疗

针对角膜混浊临床评估缺乏标准化、定量化难题，浙江大学医学院附属第二医院团队构建了全球首个大规模多模态角膜混浊数据集MCOA，包含6,272张前段光学相干断层扫描(AS-OCT)和392张眼前节照相(ASP)，通过专业标注团队实现角膜结构及混浊区域精准标记。该数据集为开发AI辅助诊断算法奠定基础，显著提升角膜病变识别精度，相关成果发表于《Scientific Data》，将推动个性化治疗方案的制定。

　　

角膜混浊作为全球视力障碍的主要病因之一，其临床评估长期面临主观性强、缺乏量化标准的困境。当前诊断主要依赖裂隙灯检查，而前段光学相干断层扫描(AS-OCT)虽能提供高分辨率角膜横断面图像，但基层医疗机构普遍存在解读困难。更棘手的是，现有角膜影像数据集普遍存在样本量小、单模态、疾病类型单一等缺陷，严重制约人工智能(AI)在角膜疾病领域的应用。这一现状促使浙江大学医学院附属第二医院眼科中心联合杭州电子科技大学的研究团队开展突破性研究，通过构建全球首个大规模多模态角膜混浊评估数据集MCOA，为AI驱动的新型诊疗模式铺平道路。

研究团队采用三大关键技术：1) 应用扫频源OCT(SS-OCT)获取3.8μm轴向分辨率的角膜图像，结合Topcon SL-D701裂隙灯采集眼前节照相(ASP)，形成多模态数据；2) 由3名经规范培训的眼科医生使用Labelme软件对6,272张AS-OCT和392张ASP进行角膜结构及混浊区域标注，并经资深角膜专家复核；3) 采用五折交叉验证评估UDTransnet、R34UNet和MEGANET等深度学习模型在混浊分割任务中的性能。

【背景与意义】
角膜作为主要屈光介质，其透明度受损可由创伤、感染、遗传疾病等多种因素引起。全球约5.1%的盲症归因于角膜混浊，在低收入国家尤为突出。现行评估方法存在显著观察者间差异，导致治疗方案选择差异——从抗纤维化药物、光治疗性角膜切除术(PTK)到穿透性角膜移植术(PK)，亟需客观量化标准。

【数据特征】
MCOA数据集包含来自169例患者的2,992张混浊角膜AS-OCT和187张ASP，以及131例正常对照的3,280张AS-OCT和205张ASP。样本覆盖创伤、电烧伤、感染性角膜炎等7类病因（图1），患者年龄呈双峰分布（42.6%≥61岁，30.2%为41-60岁），男性占比显著（63.9%）。

【质量验证】
图像质量评估显示（表5），9.6%混浊ASP存在视野遮挡，16.9%混浊AS-OCT含运动伪影，这些"不完美"数据增强了临床真实性。三位标注者对角膜标注的一致性达Dice系数0.9775（AS-OCT）和0.9540（ASP），混浊区域标注因边界模糊略低（0.9008和0.8644）。

【模型性能】
在分割任务中（表6），MEGANET表现最优：AS-OCT角膜分割Dice达96.44±0.16%，混浊区域75.64±0.56%；ASP角膜分割97.55±0.16%，瞳孔94.58±1.32%，证明数据集具备良好算法训练潜力。

这项研究首次建立了涵盖多病因、多模态的标准化角膜混浊数据集，其核心价值在于：1) 突破单模态数据局限，实现角膜病变的立体评估；2) 通过严格的质量控制和标注流程，为AI模型提供可靠训练基础；3) 模型性能验证表明该数据集可显著提升混浊定量分析的准确性。正如作者强调，MCOA的开放获取将加速角膜疾病精准诊疗的发展，特别有助于资源匮乏地区的分级诊疗。未来研究可进一步探索跨模态特征融合算法，推动AS-OCT图像从ASP的合成技术，这对扩大高级影像技术的可及性具有重要临床意义。