《Signals》：Signal Processing of Corneal Biomechanics in Early Keratoconus Detection: A Critical Review
编辑推荐：
早期圆锥角膜难以检测，因为角膜变化可能很细微，且各研究之间的诊断定义存在差异。眼反应分析仪（Ocular-Response Analyzer, ORA）和Corvis ST等气吹式仪器将角膜反应记录为波形或高速变形图像。对这些记录进行处理可能揭示常规设备指标未
早期圆锥角膜难以检测，因为角膜变化可能很细微，且各研究之间的诊断定义存在差异。眼反应分析仪（Ocular-Response Analyzer, ORA）和Corvis ST等气吹式仪器将角膜反应记录为波形或高速变形图像。对这些记录进行处理可能揭示常规设备指标未呈现的特征。本批判性综述检视了36项关于生物力学测量、信号处理与圆锥角膜诊断的原始期刊研究。来自已确诊疾病、亚临床型圆锥角膜（subclinical keratoconus）、顿挫型圆锥角膜（forme fruste keratoconus）、外观正常的对侧眼以及纵向进展研究中的证据被分别考虑。基于波形和机器学习的方法已显示出有前景的判别能力，尤其是在已确诊疾病中，但用于早期检测的证据较不一致。由于各研究使用不同的临床定义和验证方法，未对结果进行合并。测量质量、设备代际、眼内压（intraocular pressure, IOP）、角膜厚度和预处理均可能影响所报告的性能，而小队列和数据泄漏可能产生过于乐观的估计。时频分析在技术上是可行的，但其额外的临床价值尚未得到证实。未来研究应明确定义疾病分期、记录处理方法、在同一患者组中比较不同方法，并在独立临床环境中评估固定模型。临床价值将取决于对早期疾病更可靠的检测以及对患者护理的可证明改善。
3. 从气吹测量到数字信号
3.1 ORA波形
ORA将气脉冲与红外光学系统结合，生成与压平相关的压力信号和反射光波形。常规指标如角膜迟滞（corneal hysteresis, CH）和角膜阻力因子（corneal resistance factor, CRF）对信号进行了高度压缩，而波形参数可保留峰面积、峰高、峰宽等信息。波形质量与设备代际会影响输入特征；第一代与第三代ORA在多项生物力学和波形指标上不可互换。
3.2 Corvis ST变形序列
Corvis ST以超高速Scheimpflug相机记录角膜变形图像序列，可得到动态角膜反应参数以及自定义的变形、偏移和全眼运动处理。角膜偏移需扣除全眼运动；应力-应变指数（Stress–Strain Index, SSI）旨在分离材料行为与加载和几何因素，但其在早期疾病中的诊断价值尚未确立。基于数字图像相关和原始前后表面高度序列的深度学习方法也已被探索。
3.3 频谱与时频信息
频域分析较少。现有研究分析了变形信号和反射光波形的频谱，或将全眼运动与高低频角膜变形分离。约32 ms记录和约4.35 kHz采样对应的频率分辨率受限；短时傅里叶变换（Short-Time Fourier Transform, STFT）、连续小波变换（Continuous Wavelet Transform, CWT）等适合瞬态信号，但还需验证额外临床价值。
4. 特征工程、指标与机器学习
4.1 工程化生物力学特征与复合指标
角膜生物力学指数（Corvis Biomechanical Index, CBI）和断层扫描与生物力学指数（Tomographic and Biomechanical Index, TBI）在正常与圆锥角膜区分中经受了验证。对早期疾病，TBI的判别能力随队列定义而变；正常地形图对侧眼中的表现不同于亚临床或顿挫型队列。指标版本、开发设计和中央角膜厚度（central corneal thickness, CCT）匹配也会影响结果。
4.2 基于衍生特征和多模态特征的机器学习
机器学习常将生物力学与断层扫描、OCT及临床变量结合。多模态模型在顿挫型圆锥角膜中表现出较高曲线下面积（Area Under the Curve, AUC），外部多中心验证比内部重采样更有说服力；生物力学机器学习也被用于两年前瞻队列中的进展预测。
4.3 原始信号与时空学习
原始序列模型直接从测量序列学习特征。CorNet在正常与圆锥角膜眼中报告了高AUC，但该结果不能直接视为早期疾病敏感性。数字图像相关衍生特征的小队列研究获得接近完美的AUC，但组间CCT和眼内压存在差异，需要独立复制。视频Swin Transformer等提供了外部验证证据，但亚组规模有限。
4.4 信号表示之间的工程权衡
设备指标压缩信号但丢失时序与空间细节；工程化描述符保留选定的物理特征但依赖处理一致性；原始波形和序列保留完整时间历史但更容易受采集伪影影响。公平比较应在相同患者、标签、划分和预处理条件下进行。跨队列AUC比较不能证明某一种表示更优。
5. 生物力学信号分析中的不确定性来源
5.1 采集与质量控制的影响
需要报告测量次数、质量阈值、重复选择或平均规则、设备代际和软件版本。
5.2 压力、厚度与全眼运动的影响
眼内压、角膜厚度和全眼运动分离影响特征；应在测试队列中检查协变量平衡，而非仅依赖开发匹配。
5.3 预处理对诊断特征的影响
对齐、滤波、重采样、归一化等处理改变模型输入；从数据学习的操作须在训练划分内完成。
5.4 早期疾病参考定义的差异
顿挫型圆锥角膜（FFKC）和亚临床圆锥角膜（SKC）不等同，对侧眼状态与可疑分类也不同；后表面高度标准随时间演变。
5.5 来自患者、眼别和重复测量的数据泄漏
同一人的双眼或多次测量若跨训练与测试划分，则测试集不独立；患者级划分和嵌套交叉验证可降低泄漏。
5.6 跨疾病阶段解读高AUC
高AUC依赖病例与对照选择；小队列、基线差异和开发与验证划分会造成过高估计；固定阈值和新患者评估更可靠。
5.7 模型解释的生理学解读
激活图不能证明疾病机制或独立材料属性；应检验跨记录和预处理变化的稳定性。
5.8 判别力、校准与临床价值
AUC是排序指标，概率校准需校准图及校准截距和斜率；临床效用需明确目标、决策曲线分析和前瞻性结局评估。
6. 信号处理研究的报告框架
可复现性要求说明从采集信号到模型输入的完整处理步骤、从数据中估计的操作、批量级划分和独立评估；提供最低报告清单。
7. 信号处理研究的机会
7.1 时频分析：一个可检验的研究假设
需要在同一早期疾病队列中比较设备指标、波形描述符、全局谱、时频特征和原始时序模型，并固定滤波、窗口或小波设置。
7.2 比较原始数据模型与可解释特征
最优通过同患者直接比较实现，同时考虑模态差异和调参成本；重要时空区域需检验稳定性。
7.3 多模态方法的验证
需在同一验证条件下评估单模态与多模态贡献，报告早期疾病组的性能。
7.4 进展的纵向评估
进展预测需要纵向结局、干预和缺失数据处理；基线波形或变形轨迹能否预测进展是下一步问题。
8. 讨论
中心发现是测量反应不等于疾病特异性材料特性；输入信号受压力、几何、全眼运动和采集条件影响。诊断目标与输入同样重要。更优比较应在固定患者和评估流程下改变信号表示；三个证据层次为提取有意义信号、独立区分明确疾病组以及改善临床决策。
9. 范围与局限
综述聚焦气吹式生物力学信号及直接相关的多模态方法；采用结构化目的性检索，不保证覆盖所有文献。直接比较受疾病标签、设备、检测流程差异限制；评价为叙述性、按领域进行，不提供总体准确率或方法优劣排序。
10. 结论
波形和变形序列分析比常规指标提供更详细的反应描述，但其在亚临床疾病中的价值未一致确立。明确分期、记录处理方法、外部验证固定模型是优先事项；时频分析值得进一步研究，但增量价值尚不确定。
