基于深度学习的睑板腺功能障碍图像分析模型研究和评价

摘要：

目的:构建一个基于卷积神经网络(CNN)的人工智能(AI)系统,能够全自动地评价睑板腺功能障碍(MGD)患者的睑板腺形态变化.方法:选取2021-01/11在温州医科大学附属眼视光医院杭州院区就诊的145名受试者右眼纳入研究.随机选择其中60名受试者的睑板腺照相用于AI训练.收集睑板腺图像后首先标注出睑板区域和每一根睑板腺腺体.使用残差神经网络(ResNet)结合U-Net模型进行数据训练,获得成熟的AI系统;85名受试者包括阻塞性MGD患者53名和睑板腺正常的志愿者32名,使用AI系统自动分析其各项睑板腺形态参数.同时观察临床指标包括眼表疾病指数(OSDI)、泪河高度(TMH)、泪膜破裂时间(TBUT)、角膜荧光素染色(CFS)、睑缘评分、睑板腺评分和睑板腺分泌能力评分.分析睑板腺参数与临床指标的相关性.结果:通过多次版本迭代,最终获得了交并比达92.0％的AI系统.使用该AI系统,发现上眼睑的睑板腺密度与OSDI(rs=-0.320)、TBUT(rs=0.484)、睑缘评分(rs=-0.350)、睑板腺评分(rs=-0.749)和睑板腺分泌能力评分(rs=0.425)存在显著相关性(均P<0.05);下眼睑的睑板腺密度与OSDI(rs=-0.420)、TBUT(rs=0.598)、睑缘评分(rs=-0.396)、睑板腺评分(rs=-0.720)和睑板腺分泌能力评分(rs=0.438)存在显著相关性(均P<0.05);总眼睑的睑板腺密度与OSDI(rs=-0.404)、TBUT(rs=0.601)、睑缘评分(rs=-0.416)、睑板腺评分(rs=-0.805)和睑板腺分泌能力评分(rs=0.480)存在显著相关性(均P<0.05).结论:基于CNN的AI系统是一个准确、高效的睑板腺形态学评价系统,能够方便地采用我们建立的睑板腺密度这一指标对MGD患者的睑板腺形态进行快速准确地评价.睑板腺密度这一指标比目前通用的睑板腺评分更精确,是评价睑板腺萎缩程度的全新定量指标.

关键词：卷积神经网络、人工智能、睑板腺功能障碍、睑板腺密度

所属期刊栏目：22

分类号：TP391.41;R777.1+3;O174.2

资助基金：浙江省医药卫生科技计划项目;浙江省医药卫生科技计划项目;浙江省教育厅科研项目

在线出版日期：2022-05-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：746-751