深度学习辅助宽视野角膜内皮成像在 Fuchs 内皮营养不良中的创新应用

本研究针对Fuchs内皮角膜营养不良(FECD)的临床诊断难题，开发了基于U-Net架构的深度学习网络(DLN)，用于分析宽视野角膜内皮显微镜(WFSM)图像。研究团队通过1,839张图像训练模型，验证其在中央/旁中央/周边区域的内皮细胞密度(ECD)、变异系数(CV)及六边形比例(HEX)分析的准确性。结果显示DLN分割与人工分析高度一致(Dice系数=0.86)，且能显著提升工作效率，为FECD的早期诊断和进展监测提供了自动化解决方案。

　　

在眼科领域，Fuchs内皮角膜营养不良(FECD)是一种进行性致盲性疾病，其早期诊断依赖角膜内皮细胞的形态学评估。传统人工分析宽视野角膜内皮显微镜(WFSM)图像存在效率低下、主观性强等局限。新加坡国立眼科中心(Singapore National Eye Centre)的研究团队创新性地将深度学习技术引入该领域，相关成果发表于《Ophthalmology Science》。

研究采用交叉-sectional设计，收集155例FECD患者的1,839张WFSM图像，构建包含50例FECD和50例对照的双队列数据集。关键技术包括：1) 基于标准化质量评分系统进行图像分级；2) 开发U-Net架构的DLN实现内皮细胞自动分割；3) 比较中央/周边区域ECD、CV和HEX的差异；4) 采用S?rensen-Dice系数验证算法准确性。

【主要发现】

1. 1.

   图像质量与疾病严重程度评估

   研究显示评估者间对图像质量(κ=0.967)和FECD严重程度(κ=0.891)具有极强一致性，证实标准化评分系统的可靠性。

2. 2.

   区域差异性分析

   无论是否存在亚临床水肿，旁中央与周边区域的ECD差异均具统计学意义(P=0.001-0.011)，提示WFSM全面扫描的必要性。

3. 3.

   深度学习模型性能

   DLN分割结果与人工分析高度吻合(Dice系数0.86±0.04)，但中央ECD值显著高于人工测量(2633.12±1167.3 vs 1728.58±805.69 cells/mm², P<0.001)，反映算法可能更敏感检测低对比度细胞。

4. 4.

   纵向验证

   在外部数据集的基线-1月随访中，DLN成功实现疾病进展可视化，证明其临床适用性。

该研究突破性地将深度学习应用于WFSM图像分析，其开发的自动分析流程可处理大规模数据集，显著提升FECD诊断效率。特别值得注意的是，模型在保留传统参数(ECD/CV/HEX)的同时，新增的进展可视化功能增强了结果解释性。这些进展为FECD的早期筛查和精准监测建立了新范式，也为其他角膜疾病的AI辅助诊断提供了技术框架。研究团队包含Kai Yuan Tey、Jodhbir S. Mehta等国际知名专家，其成果对推动眼科诊疗智能化具有重要价值。