《Diagnostics》：Comprehensive Diagnosis of Abnormal Vaginal Discharge Using qPCR-Based Microbial Dysbiosis Indices
编辑推荐：
背景与目的：圆锥角膜（KC）是一种导致角膜进行性变薄和变陡的慢性疾病，对视力（Visual Acuity, VA）产生负面影响。虽然角膜地形图（Corneal Topography）和角膜曲率测量（Keratometry）是诊断KC的主要方法，但这些方法的获取
背景与目的：圆锥角膜（KC）是一种导致角膜进行性变薄和变陡的慢性疾病，对视力（Visual Acuity, VA）产生负面影响。虽然角膜地形图（Corneal Topography）和角膜曲率测量（Keratometry）是诊断KC的主要方法，但这些方法的获取可能受到多种因素的限制。为解决这些局限性，本研究评估了一种新型低成本深度学习（Deep Learning, DL）算法，该算法从智能手机辅助的普拉西多环（Placido Ring）照片中推断角膜曲率类别。方法：开发过程中使用了1240张健康对照眼图像和188张标注K1的KC图像进行预训练，但未使用其K1标签。在该图像池上训练了带有Kullback-Leibler散度正则化（KL divergence regularization）的变分自编码器（Variational Autoencoder, VAE）；其编码器为KC图像（n = 535）生成潜在特征。一个保留集（n = 70）配有Pentacam角膜曲率测量数据，按K1分为<40 D、40–47 D和>47 D三个类别。通过网格搜索（Grid Search）和交叉验证选择的集成分类器使用编码器特征。性能通过准确率、精确率、召回率和F1分数进行评估。结果：该模型在所有类别上达到了91%的准确率。模型的精确率分别为0.77（<40 D）、0.98（40–47 D）和0.86（>47 D）；召回率分别为0.83、0.91和1.00；F1分数分别为0.80、0.94和0.92。值得注意的是，该模型对>47 D K1类别实现了完美的召回率。结论：智能手机辅助的普拉西多环成像方法能够在推理时不需要断层扫描或角膜曲率测量作为模型输入的情况下预测基于K1的角膜曲率类别。这些发现为智能手机辅助普拉西多环图像作为一种低成本的K1分类方法的潜在应用提供了初步的概念验证。在评估临床效用之前，需要在不同地点、设备、操作者、印刷普拉西多盘、获取条件和患者群体中进行更大规模的外部验证研究。
本研究发表于《Diagnostics》，旨在探索一种基于智能手机辅助普拉西多环摄影结合深度学习技术的新型低成本方法，用于圆锥角膜的角膜曲率分类，以解决传统诊断方法设备昂贵、可及性受限的问题。
圆锥角膜是一种以角膜旁中央变薄和不规则前表面曲率为特征的进行性眼表疾病，可导致光学质量下降甚至严重视力丧失。早期检测至关重要，因为角膜胶原交联术（Corneal Collagen Cross-linking, CXL）能够生物力学性稳定角膜并降低疾病进展风险。然而，角膜地形图、断层扫描和角膜曲率测量等诊断金标准需要昂贵的硬件设备和专业人员，在基层或资源匮乏地区难以普及。尽管人工智能在眼科领域已有诸多成功应用，但多数系统仍依赖上述设备输出，无法解决前端获取的难题。近年研究表明，深度学习直接应用于智能手机前节照片可辅助多种角膜疾病的分诊，提示无需裂隙灯或断层扫描的高质量分析具有可行性。另一技术路线是使用夹持式配件（如3D打印普拉西多盘）重建地形图，但这重新引入了硬件成本和操作复杂性。相比之下，采用廉价、易复制的纸板普拉西多盘进行智能手机辅助普拉西多环摄影，可能在保持便携性的同时最小化成本和复杂度。其原理在于，普拉西多环靶标提供标准化空间框架，可能捕获与角膜变陡相关的光学相关特征，包括角膜缘轮廓变化、表观瞳孔或虹膜几何改变、角膜周围反射、阴影及局部图像畸变等。本研究即评估该简化方法能否从术前节照片中推断临床相关的K1（平坦经角膜曲率）类别。
研究人员开展了方法学研究，使用两个独立来源的智能手机前节照片。主要标注数据集为535例KC患者的智能手机虹膜及眼部照片，配有Pentacam角膜曲率测量，使用iPhone 12 Pro Max拍摄，手持相机与约20 cm×27 cm矩形普拉西多盘中央孔对齐，工作距离约20 cm，无外部头架或机械稳定装置，由操作者根据对焦、注视和环中心情况重复获取图像。另1240张健康对照眼图像来自北卡罗来纳大学教堂山分校Soleimani实验室，用于无监督表示学习以提升自编码器的泛化能力，图像在多设备、多变光照条件下获取。数据严格按患者和眼水平划分，保留70只眼的347张原始图像作为最终独立测试集，经质量控制排除模糊、遮挡、分割失败等问题后，每眼保留虹膜分割置信度最高的单张图像，形成70眼70图的最终评估集，避免数据泄露。
技术方法上，研究采用三阶段流水线：第一阶段为虹膜分割与预处理，KC图像经自动虹膜分割模型定位边界，裁剪角膜区域，像素归一化至[0,1]，并进行随机水平翻转和±30°旋转的数据增强；健康对照图像采用霍夫圆变换检测虹膜边界后裁剪。第二阶段为基于变分自编码器的无监督表示学习，使用AutoEncoderKL模型在1428张图像（1142张训练，286张验证）上训练，编码器将256×256图像压缩为32×32空间分辨率、3通道的潜在空间，生成3072维潜在向量，模型采用L1重建损失、KL散度（λ
KL = 1×10
-6）、感知损失和PatchGAN对抗损失联合优化，训练200轮并采用早停机制，收敛后丢弃解码器，固定编码器作为特征提取器。第三阶段为监督分类，对潜在特征标准化后，以网格搜索和五折交叉验证选择k近邻（KNN）、随机森林（RF）和逻辑回归（LR）的超参数，最终组合KNN（k=1）和RF（50棵树）为硬投票集成模型，在独立测试集上评估。
结果显示，在70眼保留测试集上，集成模型总体准确率达91%，平衡准确率为0.913。各类别表现分别为：<40 D类精确率0.77、召回率0.83、F1分数0.80；40–47 D类精确率0.98、召回率0.91、F1分数0.94；>47 D类精确率0.86、召回率1.00、F1分数0.92。探索性二分类分析中，K1≥40 D vs <40 D的灵敏度为0.948（95% CI: 0.86–0.98），特异度0.833（95% CI: 0.55–0.95），阳性预测值（PPV）0.965，阴性预测值（NPV）0.769；>47 D vs ≤47 D的灵敏度达1.000（95% CI: 0.76–1.00），特异度0.966（95% CI: 0.88–0.99），PPV 0.857，NPV 1.000。混淆矩阵显示，错误主要集中在相邻类别之间，仅有限交叉极端混淆，无一例>47 D被误判为<40 D，反之有1例<40 D被误判为>47 D。
讨论指出，深度学习在医学图像分析中已展现强大能力，本研究将消费者级相机与深度学习结合，为角膜炎诊断提供了一种创新方法，实现高度可及性。与先前依赖地形图或断层扫描的人工智能研究不同，该方案在推理时不需专业设备输出，降低了在基层和资源匮乏环境中的使用门槛。模型在最高K1类别（>47 D）实现完美召回，提示该方法可能有助于识别需要紧急转诊的严重病例；相邻类别间的主导性错误模式支持将其作为初步分诊工具，配合后续确定性检查。研究同时承认多项局限性：测试集规模小且类别不平衡，可能高估性能；单中心数据来源限制泛化性；未施加固定随机种子影响可重复性；质量控制及最优图像选择策略可能使报告性能优于真实社区筛查场景；以K1作为简化的三分类标签无法全面表征圆锥角膜的多维度特征，对早期或亚临床病例敏感性不足。未来需开展多中心、多设备、多人群的外部验证，扩展至更多 severity 分级，并与临床医师评估直接比较，以明确其实际临床价值。
研究结论表明，本工作展示了经过精心设计的智能手机流水线能够以较高准确率和临床合理的错误模式对角膜变陡进行分层。这种方法可能为断层扫描仪稀缺地区的低成本圆锥角膜分诊提供可行路径，但不应被视为经过验证的筛查工具或角膜断层扫描的替代方案。在不同地点、设备、操作者、印刷普拉西多环目标以及更大、更多样化的人群中，需要进行严格的外部验证，以确立其普遍适用性和临床效用。
