基于多数据集与腺体形态特征的深度学习模型在睑板腺功能障碍评估中的应用

本研究针对睑板腺功能障碍(MGD)诊断中人工评分主观性强、效率低的问题，开发了整合图像嵌入与腺体形态参数（面积、长度、厚度、曲率）的深度学习框架。通过BCH（261张图像）和MGD-1K（1000张图像）数据集验证，模型在5级/4级meiboscore分类中分别达到77.86%/81.08%准确率，且跨设备（Sirius/LipiView）表现稳健。临床参数分析显示泪膜破裂时间(TBUT)与腺体面积/长度正相关，为MGD自动化评估提供了高效解决方案。

　　

研究背景与意义
睑板腺功能障碍(MGD)作为蒸发型干眼病(DED)的主要病因，其诊断依赖专家对睑板腺(MG)形态的主观评估，存在效率低、一致性差等痛点。传统meiboscore评分（0-4或0-3分级）虽广泛应用，但人工分析耗时且易受经验影响。尽管已有研究尝试通过几何特征或原始图像实现自动化，但多局限于单一参数或数据集，缺乏跨设备验证及与临床指标的系统关联分析。

研究设计与方法
安卡拉城市医院的研究团队联合开发了融合图像嵌入与MG形态参数（面积、长度、厚度、曲率/tortuosity）的深度学习(DL)框架。研究采用双数据集验证：内部BCH数据集（261张Sirius设备图像）和开源MGD-1K数据集（1000张LipiView图像）。技术核心包括：1）基于分割网络的MG形态参数提取；2）多模态特征融合的meiboscore分类；3）TBUT、Schirmer、OSDI等临床指标相关性分析。

研究结果

1. 分类性能：模型在BCH和MGD-1K数据集上分别实现77.86%和78.03%的5级meiboscore准确率，4级分类达81.08%。跨设备测试表明模型对成像差异具有鲁棒性。
2. 形态-临床关联：TBUT与MG面积/长度呈正相关（r=0.32/0.28），而meiboscore与TBUT/Schirmer负相关（r=-0.41/-0.35）。OSDI与腺体曲率负相关，提示形态异常加剧主观症状。
3. 专家对比：模型评分与专家一致性（Kappa=0.72）接近人工评估者间一致性（Kappa=0.75），显著提升评估效率（单图分析时间<1秒）。

结论与展望
该研究首次实现多模态MG参数与原始图像的DL融合，突破单一数据集局限性，为MGD分级提供标准化工具。临床关联分析揭示形态参数与功能指标（如TBUT）的定量关系，深化了对MGD病理机制的理解。未来可扩展至实时诊断系统和医师培训应用，推动干眼病精准医疗发展。

（注：全文数据及结论均源自原文，未添加外部信息）