《PLOS Digital Health》：Recent advances in corneal specular microscopy image analysis through artificial intelligence
编辑推荐：
尽管传统角膜镜面显微镜(specular microscopy)图像的自动分析以往在存在角膜赘疣(corneal guttae)时受限于重复性问题，近期人工智能(AI)的进展显著增强了此类情况下的诊断潜能。本综述探讨将AI技术整合用于镜面显微镜图像分析，强调从
尽管传统角膜镜面显微镜(specular microscopy)图像的自动分析以往在存在角膜赘疣(corneal guttae)时受限于重复性问题，近期人工智能(AI)的进展显著增强了此类情况下的诊断潜能。本综述探讨将AI技术整合用于镜面显微镜图像分析，强调从经典方法向先进AI方法的转变。研究人员重点阐述基于AI的方法——包括监督学习与无监督学习——如何显著提高活体(in vivo)人角膜内皮(corneal endothelium, CE)分析的准确度。本文亦讨论数据收集面临的挑战，强调伦理考量及高质量数据集的必要性。此外，研究人员探讨新型AI衍生指标及其在提高诊断精确度方面的意义，尤其是在Fuchs内皮性角膜营养不良(Fuchs endothelial corneal dystrophy, FECD)中。综述最后展望AI在镜面显微镜中的未来方向，强调其在眼健康领域日益增强的相关性，以及克服该领域长期局限性的潜力。
论文解读：《Recent advances in corneal specular microscopy image analysis through artificial intelligence》发表于《PLOS Digital Health》
一、研究背景与立项依据
角膜内皮(corneal endothelium, CE)细胞通过主动与被动机制将基质水肿维持在约78%，且人CE细胞体内几乎无有丝分裂能力，其细胞密度(endothelial cell density, ECD)、平均细胞面积、六边形比例(hexagonality)及细胞面积变异系数(coefficient of variation of cell area, CV)是评估角膜健康的核心形态计量参数。镜面显微镜(specular microscopy)是可活体无创成像CE的设备，商用设备多依赖分水岭变换(watershed transform)、数学形态学及傅里叶分析等经典图像处理算法进行细胞分割。然而Fuchs内皮性角膜营养不良(Fuchs endothelial corneal dystrophy, FECD)患者Descemet膜异常突起形成角膜赘疣(guttae)，在镜面显微图像上呈暗斑并遮挡CE细胞边界，伴发的角膜水肿也降低图像清晰度，导致经典算法无法正确识别guttae——将其误判为细胞则高估ECD，将其完全排除则因缩小分母而系统性高估ECD，使常规内置软件在FECD中失效。为此，研究人员开展本综述以系统梳理AI技术（尤其是卷积神经网络及相关变体、自监督与半监督学习、生成对抗网络等）在镜面显微镜CE图像自动分割、guttae区分及新型形态计量指标提取中的应用进展、现存挑战与临床转化前景。
二、主要关键技术方法
研究人员对已发表AI辅助角膜镜面显微镜图像分析文献进行系统性综述。纳入研究多采用经专家手动标注(ground truth)的镜面显微镜图像数据集，按训练集、验证集、测试集划分；预处理含强度归一化与不均匀光照校正；采用旋转、翻转等数据扩增(data augmentation)；以U-Net及改良版（Dense U-Net、带非局部注意力反馈机制DenseUNet、多类别分割含细胞边界/中心/guttae分类）为代表性卷积神经网络(convolutional neural network, CNN)架构；部分研究引入符号距离图(signed distance map)回归替代分类分割掩码，损失函数用均方误差(mean squared error, MSE)；创新方法含自监督(self-supervised learning)与半监督学习(semi-supervised learning)减少标注依赖，生成对抗网络(generative adversarial network, GAN)合成训练数据，以及无分割的直接疾病分类(end-to-end FECD detection)。部分团队将CNN分割结果与经典分水岭后处理(watershed postprocessing)结合筛选可靠细胞并计算参数，对同一区域多次采图取中位数(median)作稳健估计，计算有效内皮细胞密度(effective endothelial cell density, EECD)与赘疣面积比(guttae area ratio, GAR%)。
三、研究结果
Classical methods in specular microscopy（经典镜面显微镜分析方法）
经典商用镜面显微镜多依靠分水岭变换结合灰度形态学操作进行细胞分割，对正常CE效果尚可。Scarpa与Ruggi采用高斯-拉普拉斯检测细胞中心、欧几里得骨架求轮廓并用遗传算法优化，结果与手动分割相符，但未含guttae图像；Karmakar等用多步滤波和随机分水岭并凭局部熵滤除guttae区域作ROI，但排除guttae区导致FECD中ECD被高估。Topcon SP-3000P内置软件在FECD图像中或将guttae误分为细胞或完全漏检，模糊图像则无法分割。结论：经典轮廓法未设计处理guttae，在病变角膜尤其FECD中重现性差且致参数偏差。
Advances in AI-based methods（基于AI的方法进展）
Foundations of AI in Specular Microscopy（AI在镜面显微镜中的基础）：AI指通过机器学习自动评估CE图像，需标注数据学习分割任务。流程含数据集划分、专家手动标注、预处理（强度归一化、光照校正）、数据扩增、模型训练至收敛并以验证集监控泛化能力。
Automated segmentation and enhanced accuracy（自动分割与精度提升）：以Ronneberger等提出的U-Net为基础架构，Daniel等将其扩展至含guttae及基质水肿的各类镜面显微镜图像并证实其鲁棒性；Shilpashree等改良U-Net专用于FECD图像CE分割获高准确率；Vigueras-Guillén等先后采用滑动窗口CNN、密集连接U-Net(Dense U-Net)做感兴趣区(region of interest, ROI)检测，并引入带反馈非局部注意力机制的DenseUNet提高含guttae图像分割精度，结合分水岭后处理细化边界筛选完整细胞；Sierra等将CE图像分为细胞边界、边缘、中心及独立guttae类，CNN预测后经分水岭后处理得可靠分割。综述汇总多项研究（Tey等U-Net Dice系数细胞0.86/guttae 0.90；Qu等多疾病数据集准确率89.53%、AUC 0.958），指出当代CNN在充分训练下分割性能可比，增益更多来自数据扩增、半监督学习及标注质量而非单纯架构创新。结论：U-Net及其改良版显著提升含guttae镜面显微镜图像CE分割准确性与适应性。
Innovative techniques（创新技术）：Sanchez等用自监督学习预训练U-Net编码器，少标注下仍获准确保割；辅以翘曲数据扩增(warping-based augmentation)进一步提升半监督分割。Kucharski等用GAN生成合成CE图像以减少专家标注，但Mendoza等提示GAN可能学到噪声。Joseph等从镜面显微镜图像提取纹理与形态特征训练ML模型预测角膜移植后排斥(AUC>0.80)。Foo等提出无分割直接FECD检测，证明原始图像全局模式可判别疾病。Sierra等用符号距离图回归同时建模细胞(正值)与guttae(负值)，以MSE为损失训练类U-Net网络，首次实现细胞与guttae同步分割并计算EECD与GAR%。Prada等验证GAR%与改良Krachmer分级(m-Krachmer grade)相关性最强(r=0.60, P<0.001)，常规软件FECD中ECD均值(2216 cells/mm2)较AI-derived EECD均值(1322 cells/mm2)明显高估；多帧采图中位数可减小guttae分布不均影响。结论：AI可超越传统形态计量提供EECD与GAR%，GAR%是FECD严重度独立关联指标，具术前风险评估及监测再生疗法价值。
Current challenges and limitations of AI-based methods（AI方法当前挑战与局限）
Data limitations and dataset representativeness（数据局限与数据集代表性）：大样本多中心多样人群数据稀缺，应反映真实患病率而非强行平衡，可用类别加权或定向扩增处理不平衡；联邦学习(federated learning)可跨机构协作训练但须警惕设备/中心相关"捷径特征(shortcut features)"致泛化下降；民族及地域差异影响内皮形态，需验证全球模型vs本地化模型优劣；单纯增大样本量不足，需配合自监督学习与校准(calibration)技术。
Robust image quality estimation（稳健图像质量评估）："垃圾进垃圾出"，需硬件进步与AI内嵌质量评估模块；Vigueras-Guillén等用Dense U-Net自动检测可信ROI避开模糊噪声区，但高质量图像稳定获取仍是难点；Kiefer等将AI决策支持系统用于供体角膜guttata分类。
Challenges in AI clinical translation（临床转化挑战）：回顾性高性能不等于临床可用，障碍含跨中心泛化差、可解释AI(explainable AI, XAI)不足、监管审批与数据合规、缺乏前瞻性验证及与现行临床工作流程整合。
Reliability and reduced analyzed area（可靠性与分析面积局限）：单幅镜面显微镜分析面积小，Prada等建议多帧取中位数，宽视野拼接(wide-field stitching)是另一可行方向，仍需AI鲁棒分割支撑。
四、讨论与结论翻译
本综述强调人工智能(AI)应用于镜面显微镜角膜内皮分析的重要进展。基于AI的方法提高了分割的准确性与效率，并在存在角膜赘疣(guttae)时克服了传统方法的若干局限。值得注意的是，近期研究使得Fuchs内皮性角膜营养不良(FECD)中可获得更真实的形态计量评估，包括有效内皮细胞密度(effective endothelial cell density, EECD)与赘疣面积比(guttae area ratio, GAR%)，这些指标提供了超出常规细胞密度估算的临床相关表征，在早期及中期疾病阶段尤为有参考价值。尽管取得上述进展，重要挑战依然存在。未来的进展将日益受限于数据集规模与评估设计本身——即可获得足够大且具临床代表性的数据、严谨的数据整理、可靠的参考分割及标准化的采集与标注流程——而不仅仅是网络架构的选择。在此背景下，自监督或半监督学习、校准方法及稳健的图像质量评估对于提升泛化能力与临床可靠性至关重要。未来工作应优先致力于可重现的数据流水线开发、跨多样场景的透明验证以及与临床决策相契合的可解释输出。通过上述领域的协同推进，AI赋能的镜面显微镜有望从研究原型走向实用工具，支持角膜健康评估及新兴内皮再生疗法的监测。
