多模态学习在圆锥角膜RGP镜片配适中的临床一致性应用

《Scientific Reports》：Multimodal learning for clinically consistent RGP fitting in keratoconus

　　

摘要

圆锥角膜是一种进行性角膜疾病，其特点是角膜形态差异极大，这使得硬性透气性隐形眼镜的配戴在很大程度上依赖于临床医生的经验以及反复的试戴过程。这一过程往往耗时较长，还可能给患者带来不适。现有的人工智能方法通常仅依赖角膜图像或临床参数，这限制了它们捕捉影响镜片配戴的复杂关联能力。在本研究中，我们提出了一种统一的多模态深度学习框架——CME-Net，用于共同预测关键的RGP镜片配戴参数，包括基弧、镜片直径以及配戴策略。该框架结合了边界伪影抑制预处理技术、双分支特征提取网络，并通过结构化的多模态特征融合，明确建模角膜地形与临床指标之间的相互作用。统一的输出层则可实现多任务协同推理。通过在一个统一框架内整合来自多种数据源的互补信息，所提出的方法能够更全面地描述角膜形态及其临床意义。该方法是在368只具有完整参考标签的圆锥角膜眼的标记分析数据集上开发并评估的，这些数据来自浙江大学医学院第二附属医院眼科中心收集的515只眼睛的回顾性数据集。在独立的评估方案下，CME-Net在基弧预测上的平均绝对误差为0.2178毫米，在镜片直径预测上的平均绝对误差为0.1250毫米。与最强的单模态基准方法相比，该框架将总平均绝对误差降低了约15%。这些结果表明，多模态整合能够提升RGP镜片配戴预测的准确性和一致性。该框架可为圆锥角膜患者的个性化RGP镜片配戴提供初步的辅助指导，不过在处理边缘情况或高误差病例时，仍需临床医生的监督。