基于人工智能的多中心验证模型实现睑板腺定量评估标准化

本研究针对睑板腺功能障碍(MGD)诊断中传统评估方法主观性强、效率低下的问题，开发了基于U-Net架构的AI驱动定量评估模型。通过1350张红外睑板腺图像的多中心验证，模型实现腺体分割交并比(IoU)81.67%、分级一致性Kappa值0.93，AUC超0.99。该研究为MGD提供了首个经严格验证的自动化评估工具，显著提升诊断标准化水平。

　　

睑板腺功能障碍(MGD)作为干眼症(DED)的主要诱因，其诊断长期依赖医生对红外睑板腺成像(meibography)的主观判读，存在评估标准不统一、操作耗时等问题。随着全球干眼症患病率达1/11，开发客观量化工具成为临床迫切需求。既往研究虽尝试计算机辅助分析，但受限于单中心数据、小样本量及未验证标注一致性，难以推广。

福建省立医院联合中山眼科中心等机构的研究团队在《npj Digital Medicine》发表研究，开发了首个经多中心验证的AI驱动睑板腺定量评估系统。研究采用Keratograph 5M设备采集1350张上睑红外图像，通过标准化标注流程训练U-Net模型，创新性引入腺体长度、宽度、变形系数等9项形态学参数，并在4家独立医疗机构完成外部验证。

关键技术包括：1) 采用LABEL ME工具建立三阶段标注质控体系，确保junior与senior医师标注IoU>91.57%；2) 设计混合损失函数解决类别不平衡问题；3) 应用11种数据增强策略提升模型泛化性；4) 通过Bland-Altman分析验证测量可重复性。

AI模型性能
U-Net以81.67% IoU显著优于UNet++(78.85%)等对比模型，腺体计数与人工标注Spearman相关性达0.9334。分级诊断准确率94.09%(Kappa=0.93)，较既往研究提升35个百分点。

重复性验证
Bland-Altman分析显示腺体长度测量差异均值趋近零，95%数据点落在置信区间内，证实模型稳定性。宽度测量虽存在±15μm波动，仍优于人工判读变异范围。

多中心验证
外部验证中模型保持优异表现：中山眼科中心AUC 0.9931，东莞华夏眼科医院特异性90.28%，决策曲线分析(DCA)显示全阈值区间净收益为正。四中心平均F1-score 0.92，证实跨机构适用性。

临床意义
该研究突破三大技术瓶颈：1) 首次建立标注一致性控制体系，解决训练数据偏差问题；2) 实现单帧图像9参数同步输出，支持MGD精细化分型；3) 验证模型在城乡医疗机构的普适性。局限性在于暂未开发腺体纵向追踪功能，且未涵盖下睑分析。

这项成果为MGD诊疗带来范式转变：通过标准化定量替代主观分级，使基层医院可获得三甲医院水平的诊断一致性；多维参数体系为个性化治疗提供新依据；开源策略促进技术迭代。未来拓展至Lipiview等多设备平台后，有望成为国际睑板腺评估的金标准工具。