基于深度学习的泪膜稳定性评估与破裂模式分类系统在干眼症精准诊疗中的应用

研究人员开发了一套人工智能系统，通过结合Mask R-CNN和TSN深度学习模型，实现了泪膜稳定性自动评估和四种破裂模式(BUPs)分类。该系统在143眼样本中取得91.8%的泪膜破裂检测准确率和98%的干眼症诊断准确率，为临床提供客观、非侵入性的干眼症诊断工具，显著降低观察者间差异。

　　

这项突破性研究展示了人工智能在眼科诊疗中的创新应用。科研团队构建了包含143只眼睛（98例干眼症患者和45例健康对照）的临床数据集，采用Ocular Surface Disease Index问卷和Keratograph 5M设备进行多参数评估，包括泪河高度(TMH)、非侵入性泪膜破裂时间(NIBUT)、脂质层厚度分级和睑板腺评分。通过荧光素染色泪膜破裂过程的视频记录，研究创新性地结合了掩膜区域卷积神经网络(Mask R-CNN)进行泪膜分割，以及时序分段网络(TSN)提取时序特征。该系统不仅能自动识别线状破裂(line break)、点状破裂(dimple break)、斑状破裂(spot break)和随机破裂(random break)四种典型泪膜破裂模式(BUPs)，其诊断模型更实现了91.8%的泪膜破裂检测准确率和98%的干眼症诊断准确率。梯度加权类激活映射(Grad-CAM)分析证实模型能有效捕捉形态学特征。研究还发现不同破裂模式组间存在显著的眼表参数差异，为临床实施精准的泪膜导向治疗提供了重要依据。这项技术显著降低了传统诊断方法的主观偏差，为干眼症的个性化治疗策略开辟了新途径。