使用智能手机眼动追踪应用程序（EyePhone）检测模拟的斜偏斜：一项可行性研究

《Frontiers in Neurology》：Detecting simulated skew deviation using a smartphone eye-tracking application (EyePhone): a feasibility study

　　

摘要
引言：以急性眩晕（即前庭性卒中）为表现的卒中，其误诊可能性是以典型症状（如无力）为表现的卒中的四倍。HINTS眼动检查（头脉冲试验、眼震和斜偏斜试验）可将前庭性卒中的诊断准确性提高到98%的敏感性和97%的特异性。作为HINTS检查的一部分，斜偏斜试验评估前庭原因所致的垂直眼位偏斜。大于5棱镜度的斜偏斜对卒中具有高度特异性。然而，由于能够准确检测斜偏斜的专家在急诊科并不容易获得，因此需要可量化的斜偏斜检测方法。研究人员试图探究使用研究人员的智能手机眼动追踪应用程序（EyePhone）检测和量化模拟斜偏斜的可行性。
方法：研究人员招募了健康志愿者，并使用EyePhone记录他们的眼动。为模拟斜偏斜，研究人员在距离1米的墙上放置了两个目标。当检查者执行交叉遮盖试验时，参与者每当遮盖器在两眼之间移动时，就在上、下目标之间切换注视，模拟了斜偏斜中出现的再注视扫视。研究人员开始时使用相距20厘米（在1米处代表20棱镜度的斜偏斜）的目标，并逐渐减小该距离，直到目标重叠，表示斜偏斜不存在。研究人员使用EyePhone通过iPhone的前置摄像头（放置于距眼睛40厘米以内）录制的视频。研究人员开发了内部代码，使用Google的Mediapipe提取的特征，在自动检测到眼睛暴露后分析眼动。
结果：EyePhone测量值与设计偏斜之间的相关性表明，在受控实验条件下，EyePhone可能能够检测到≥5棱镜度的斜偏斜。分析显示，EyePhone测量值与设计诱导的斜偏斜之间的Spearman相关系数为0.93（CI: 0.90–0.95）。用于区分≥5棱镜度斜偏斜与较小斜偏斜的受试者工作特征曲线下面积为0.90。
讨论/结论：这些发现表明，在临床群体中进一步验证后，EyePhone可能作为检测临床显著斜偏斜的实用工具。

论文解读文章

研究背景：每年约有500万急诊就诊患者因眩晕和头晕就诊，其中3-5%由脑血管意外引起。后循环卒中（PCS）患者常表现为孤立性眩晕，缺乏局灶性神经体征，导致误诊率高达45,000-75,000例。HINTS眼动检查（头脉冲试验、眼震和斜偏斜试验）能在急性前庭综合征（AVS）患者中区分外周性及中枢性病因，其中斜偏斜（skew deviation）是中枢性AVS的重要预测因子，超过5棱镜度的斜偏斜对卒中具有高度特异性。然而，准确识别斜偏斜需要神经前庭专科医生，而急诊科缺乏此类专家。视频眼动图（VOG）设备虽能量化眼动，但价格昂贵、需专业解读，在急诊科不普及。智能手机普及率高，且能记录眼动。研究人员此前开发的EyePhone应用程序已能检测眼震，本研究旨在探究其检测和量化模拟斜偏斜的可行性，为后续临床应用奠定基础。论文发表在《Frontiers in Neurology》。

研究人员开展的研究：招募10名健康志愿者（90%男性，平均年龄30.2±6.0岁，无眼动或前庭疾病史），使用EyePhone应用程序（基于iPhone 13 ProMax，iOS 14.8）在受控实验条件下记录眼动。通过墙上两个垂直目标模拟斜偏斜：初始距离20厘米（对应20棱镜度），逐步减小至0厘米。利用交叉遮盖试验诱导再注视扫视，记录每次眼睛暴露前后的眼动。采用Google Mediapipe提取面部特征，检测眼遮盖状态，自定义Python代码分析垂直眼位位移。进行Spearman相关分析、混合效应线性模型、组内相关系数（ICC）和受试者工作特征（ROC）曲线分析。

主要关键技术方法：样本队列来源：10名健康志愿者（90%男性，平均年龄30.2±6.0岁），无眼动或前庭疾病史，于2022年1月至9月招募。使用iPhone 13 ProMax前置摄像头（60 FPS，1080p）记录眼动。利用Google Mediapipe逐帧提取面部特征，通过眼周区域亮度检测眼遮盖与暴露。采用自定义Python代码计算扫视前后垂直位置差，以量化眼位偏斜。基于混合效应线性模型和ROC分析评估测量性能。

研究结果：
3.1 交叉遮盖试验记录设置和相关图：通过交叉遮盖试验记录眼位相关图，结果显示，在较小棱镜度（<5）时出现微小位移，而大于5棱镜度时出现显著且更持久的偏斜，表明EyePhone能一致检测到模拟斜偏斜。

3.2 一致性分析与诊断性能：Spearman相关分析显示，EyePhone测量值与诱导斜偏斜之间的相关系数为0.93（CI: 0.90–0.95，p<0.01），表明强正相关。Bland-Altman图显示平均差为1.32棱镜度，提示应用程序轻微高估真实偏斜，但多数数据点位于一致性界限内。混合效应线性模型证实诱导棱镜度对测量值有显著效应（p<0.001），组内相关系数（ICC）分析表明，单次测量可靠性较低（ICC<0.4），需平均约5次测量（即眼睛暴露次数）才能获得可靠估计。ROC曲线分析显示，区分不同大小斜偏斜的曲线下面积（AUC）随棱镜度增大而提高，区分≥5棱镜度斜偏斜的AUC为0.90，表明良好的初步判别能力。

讨论总结部分：本研究是团队利用手持设备捕获和量化HINTS检查各组成部分的探索性步骤。先前研究已证实EyePhone在量化头脉冲试验和诱导眼震方面的准确性，本研究补充了其检测和量化斜偏斜的潜力。HINTS检查虽能区分中枢与外周病因，但临床医生对细微眼动异常的识别存在困难，而智能手机应用可提供标准化、可重复且易获取的评估方法。EyePhone不依赖专用硬件，有望在急诊科等资源受限环境中改善卒中诊断。但本研究为可行性研究，样本量小（10名健康志愿者），且为模拟斜偏斜，未涵盖临床病理变异性。应用程序对较小偏斜存在高估倾向，且单次测量可靠性不足，需多次平均。未来需在真实临床环境中对异质性患者群体进行验证。

研究结论部分翻译：该应用程序展示了初步的可行性指标，包括在临床显著棱镜度值下区分斜偏斜的AUC为0.90。然而，这些发现仅限于健康志愿者中模拟的斜偏斜，不应被视为临床诊断性能的证据。因此，研究人员的下一阶段工作将评估该应用程序在真实世界环境中对具有病理性斜偏斜的异质性患者群体的表现。