基于机器学习的CLMI.X-AI升级：锥体定位与幅度指数扩展用于圆锥角膜疑似病例检测

本研究针对圆锥角膜(KC)早期诊断难题，创新性地将机器学习算法应用于CLMI.X指数升级，开发出CLMI.X-AI模型。通过纳入圆锥角膜疑似病例(KCS)作为独立分类，采用CatBoost等算法对11项角膜参数进行三维分析，使KCS检测灵敏度提升至75%，KC识别准确率达99%，为临床筛查提供更精准的决策工具。

　　

在眼科临床实践中，圆锥角膜(Keratoconus, KC)的早期诊断始终是重大挑战。这种以角膜变薄和锥形突起为特征的疾病，若未能及时识别，可能导致患者在接受激光视力矫正手术后发生灾难性的角膜扩张。尽管2008年提出的锥体定位与幅度指数(CLMI)及其2013年升级版CLMI.X已能高效鉴别典型KC病例（灵敏度99.4%，特异性99.6%），但对于临床更棘手的圆锥角膜疑似病例(Keratoconus Suspect, KCS)——即那些尚未满足诊断标准但具有高风险特征的角膜——现有技术仍存在显著漏诊风险。

贝鲁特美国大学医学中心角膜与屈光手术分部的科研团队在《Ophthalmology Science》发表的研究中，开创性地将人工智能技术融入角膜诊断系统。研究人员收集352例患者的角膜参数数据，包括133例正常(NL)、142例KC和77例KCS（含临床无症状但对侧眼确诊KC的特殊群体）。通过SMOTE算法解决数据不平衡问题，采用CatBoost等8种机器学习模型对11项核心参数（如后表面轴向曲率CLMI Paxial、最薄区角膜厚度ZTPach等）进行三维分析，最终开发出CLMI.X-AI诊断系统。

关键技术包括：1）基于Galilei双Scheimpflug-Placido系统的多模态角膜成像；2）采用SMOTE合成少数类样本的数据增强；3）CatBoost算法构建三分类模型；4）SHAP值解析特征重要性。研究通过5折交叉验证确保模型稳健性，并特别设置惩罚机制防止KCS漏诊。

研究结果

1. 原始CLMI.X的局限性
   测试显示传统CLMI.X对KC识别完美（100%灵敏度），但73例KCS中误判70例为正常，灵敏度仅4%。典型案例如图3所示，虽能识别局部异常（如后表面18μm隆起），但决策阈值设置导致漏诊。

2. 三分类逻辑回归模型的改进
   将KCS作为独立类别训练后，Logistic Regression模型使KCS检测灵敏度提升至68%，但代价是KC识别率降至93%，且存在KC误判为正常的风险。

3. AI算法的突破性表现
   CatBoost模型实现最佳平衡：KCS灵敏度75%（特异性92%），KC灵敏度99%（特异性97%）。SHAP分析揭示后表面轴向曲率不对称性（CLMI Paxial）是最关键指标，而在剔除影像学完全正常的TNF病例后，最薄角膜厚度（ZTPach）的重要性从第2位降至第4位，暗示其可能是最早期的生物学标志。

讨论与意义
这项研究通过机器学习重新校准了角膜诊断的决策边界。传统CLMI.X依赖的Logistic Regression难以捕捉KCS的微妙特征模式，而集成学习算法通过非线性关系建模，成功识别出后表面曲率不对称性这一关键指标。值得注意的是，对于影像学未见异常的TNF病例，角膜厚度变化可能先于曲率改变，这与"生物力学衰竭先于形态学改变"的理论假说相符。

临床价值方面，CLMI.X-AI在纯影像学参数下取得的性能（KCS识别准确率89%）已接近含生物力学参数的TBI指数（82%灵敏度），为不具备角膜生物力学检测设备的医疗机构提供等效解决方案。该系统特别适用于屈光手术术前筛查，可减少约20%的潜在术后扩张风险。

研究团队建议未来开展多中心验证，并探索与Brillouin显微镜等新型生物力学检测的联合应用。这项技术突破不仅完善了KC早期诊断体系，其"先识别异常模式再分类决策"的双阶段分析思路，也为其他器官的早期病变检测提供了可借鉴的方法学框架。