基于分段线性建模的睑板腺形态学特征自动化提取模块化方法及其在功能障碍分级中的应用

本研究针对睑板腺功能障碍(MGD)诊断中传统手动分析的局限性，开发了一种模块化自适应算法，通过分段线性回归(Piecewise Linear Regression)实现睑板腺(MG)形态特征的自动化提取。研究团队利用616张来自不同成像系统的睑板腺图像，验证了缩短比(Shortening Ratio)和缺失区域(Dropout Area)等关键指标对Meiboscale分级的判别效能，随机森林分类器在上眼睑图像分类中达到81.16%的AUC值。该方法为MGD的客观评估提供了可解释、跨设备的标准化工具。

　　

眼睛是心灵的窗户，而保护这扇窗户的关键角色之一就是隐藏在眼睑中的微小结构——睑板腺(Meibomian Gland, MG)。这些特殊的皮脂腺分泌的脂质是维持泪膜稳定的重要成分。然而当这些腺体出现功能障碍(Meibomian Gland Dysfunction, MGD)时，就会引发令人困扰的干眼症状。据统计，MGD已成为干眼综合征的主要诱因，严重影响患者生活质量。

传统诊断主要依赖医生通过红外线睑板腺成像(Meibography)进行视觉评估，这种方法不仅耗时费力，还受主观因素影响。更棘手的是，不同厂商的成像设备（如LipiView II和EasyTear View-Plus）产生的图像质量差异显著，给标准化分析带来挑战。虽然人工智能技术展现出潜力，但其"黑箱"特性难以获得临床信任，且需要大量标注数据支持。

针对这些痛点，来自西班牙巴利亚多利德大学的研究团队在《Scientific Reports》发表了一项创新研究。他们开发了一种模块化自适应算法，通过分段线性建模实现睑板腺形态特征的自动化提取。该方法在保持临床可解释性的同时，兼顾了计算效率与跨设备适应性，为MGD的客观评估提供了新工具。

研究团队采用三阶段技术路线：首先通过半自动交互界面划定感兴趣区域(ROI)，随后结合高斯滤波、自适应阈值和形态学操作实现腺体分割，最后运用动态规划优化的分段线性回归量化形态特征。研究纳入了616张来自两种成像系统的睑板腺图像（上眼睑310张，下眼睑306张），所有数据均来自巴利亚多利德大学应用眼生物学研究所(IOBA)的临床研究。

图像优化与分割

针对不同设备特性，研究采用差异化的预处理策略：对噪声较高的EasyTear图像使用γ=1.25的伽马校正，而LipiView图像则采用γ=5.00。通过并行应用标准差为30像素和2像素的高斯核，在抑制噪声的同时保留腺体边缘细节。随后采用基于KD树的k近邻算法组织空间坐标，为分段建模奠定基础。

形态特征量化

创新性地采用动态规划优化的分段线性回归建模腺体形态，通过最小化残差方差自动确定分段点。提取的指标包括：

• 腺体水平特征：长度(L)、宽度(W)、缩短比(S)、面积(A)和弯曲度(τ)
• 图像水平特征：缺失区域(doa)和腺体间距(d)

其中缩短比的计算最具临床意义，它量化了腺体相对于ROI边界（上眼睑取下界，下眼睑取上界）的萎缩程度。弯曲度则通过相邻线段斜率变化来评估，有效克服了空间朝向的影响。

分类性能验证

采用SMOTE技术解决数据不平衡问题后，随机森林(RF)在上眼睑图像分类中表现最优，整体准确率达79.33%，对严重病例(Meiboscale≥3)的AUC高达93%。特征重要性分析显示：

• 上眼睑：缩短比(P25_S)最具判别力(mAUC=0.901)
• 下眼睑：缺失区域(doa)主导分类(mAUC=0.769)

值得注意的是，虽然下眼睑图像的整体分类性能较低（最佳AUC 70.56%），但所有模型对严重病例的识别AUC均超过90%，表明该方法对晚期病变具有稳健的检测能力。

这项研究的意义不仅在于技术方法的创新，更在于其临床转化价值。通过将医生熟悉的形态学特征（如腺体缩短、缺失）转化为可量化的指标，该方法架起了计算机辅助诊断与临床实践之间的桥梁。模块化设计允许灵活整合新特征或调整处理流程，适应不同临床场景需求。研究还揭示了上下眼睑睑板腺的形态差异，为今后分区评估提供了依据。

特别值得关注的是，该方法在标准消费级硬件上仅需26秒即可完成单幅图像分析（包括8秒全自动处理），显著低于人工分析的10-15分钟，且ICC显示观察者间一致性优异（腺体计数ICC=0.94）。这种效率与可靠性的平衡，使其特别适合基层医疗机构推广应用。

未来研究可进一步探索与泪膜稳定性等功能指标的相关性，或作为深度学习系统的可解释补充。随着远程医疗发展，这种轻量级算法有望成为干眼症筛查的重要工具，推动MGD诊断从经验判断向精准医学迈进。