基于LOCS III的人工智能白内障分级系统：实现高精度分类的混合模型

这篇研究创新性地开发了基于LOCS III（Lens Opacities Classification System III）的人工智能（AI）混合模型，通过深度学习算法实现白内障的自动化诊断与精准分级。系统整合灰度处理、二值化、聚类分析和"膨胀-腐蚀"等图像处理技术，对核性（NO/NC）、皮质性（C）和后囊下（P）白内障的分类准确率达90.88%-100%，AUC值高达96.68%-100%。该研究为临床提供了标准化诊断工具，尤其适用于医疗资源匮乏地区的早期筛查。

　　

1 引言

白内障作为全球视力障碍的首要病因，其精准分级对手术时机选择至关重要。传统LOCS III分级依赖眼科医师经验，存在主观差异。本研究突破性地将人工智能（AI）与LOCS III标准结合，开发出能同时处理核性（NO/NC）、皮质性（C）和后囊下（P）白内障的混合模型。

2 材料与方法

2.1 数据集

收集1,003张散瞳状态下的眼前节图像，包括717张裂隙灯图像（用于NO/NC分级）和286张红光反射图像（用于C/P分级），按7:3比例划分训练集与测试集。

2.2 核性白内障模块

预处理创新：

• •

  采用"黑点绘制法"消除RGB>250的高光区域（图3e）

• •

  提出扩展椭圆遍历算法（Algorithm 1），通过迭代寻找最大白色填充椭圆实现精准晶体定位（图3f）

特征提取：

• •

  基于模糊区间尺度分析青色（NO）和黄色（NC）像素比例

• •

  构建双层ANN网络，sigmoid函数激活

2.3 皮质/后囊下模块

关键技术突破：

• •

  颜色多元聚类填充（Algorithm 2）：将高光区域像素聚类为黄/白/黑三类，取黄色类均值RGB填充（图4e）

• •

  霍夫变换提取皮质线性特征（图5d）

• •

  轮廓分析获取后囊下病变几何特征（图5e）

3 结果

性能指标：

• •

  核性分级：NO准确率90.88%（AUC 96.68%），NC达93.68%（AUC 99.55%）

• •

  皮质分级：C0-C5准确率100%（AUC 99.98%），对早期病变识别率91.67%

• •

  后囊下分级：P0-P5准确率98.26%（AUC 100%）

比较优势（表3）：

较之Wu等（2019）仅核性三分类模型，本系统实现四类同步精准分级，且C分级达完美准确率。

4 讨论

技术亮点：

1. 1.

   首个覆盖LOCS III全类别的AI系统

2. 2.

   高光填充算法使皮质病变识别误差降低42%

3. 3.

   椭圆遍历法较YOLOv3减少70%计算量

临床意义：

• •

  为偏远地区提供标准化筛查方案

• •

  动态随访中提供量化进展指标

• •

  辅助新手医师规避经验依赖偏差

5 结论

该AI系统在皮质性白内障诊断中展现卓越性能（100%准确率），其模块化设计为白内障精准医疗提供新范式。未来需扩大样本量以优化对混合型白内障的识别能力。