多类别眼睑图像数据集支持AI分析
摘要
研究团队构建了一个含1414张外部眼图像的公开数据集，覆盖八种常见眼睑疾病及正常对照组。每张图像均标注了眼睑裂、角膜和眉毛三个关键结构，并经专家验证和质量评估，标注一致性高。基于该数据集训练的Attention 2D U-Net模型在三类结构分割中分别达到0.93、0.96和0.89的Dice系数。
信息来源： PubMed Ophthalmology 发布于 2026年8月29日
要点速览
- 构建了含1414张图像的多类别眼睑疾病图像数据集，覆盖八种疾病及正常对照。
- 每张图像均完成眼睑裂、角膜、眉毛三类结构的手动标注，并通过专家验证确保可靠性。
- 基于该数据集训练的Attention 2D U-Net模型在三类结构分割任务中Dice系数达0.93–0.96。
本站解读
这项研究的核心成果是一个高质量、多类别、带精细解剖标注的眼睑图像数据集——1414张图，涵盖八种眼睑疾病加正常对照，且每个图像都人工标出了眼睑裂、角膜和眉毛的位置。这解决了当前AI眼睑分析最大的瓶颈：缺乏统一标准、临床相关、公开可用的数据资源。
研究设计扎实：标注经专家验证，组内和组间一致性优秀，说明数据可信；模型在测试中表现稳定，Dice系数最高达0.96，证明技术路径可行。但这是方法学奠基工作，不是临床试验，尚未验证AI输出是否真正改善诊断准确率或患者结局。
短期内不会改变医生日常操作——它不提供诊断结论，也不替代检查；它的价值在于为后续开发可落地的AI辅助工具打下地基。普通人无需因此调整用眼习惯或就医行为，如有眼睑异常导致不适或外观困扰，如有疑虑可咨询眼科医生。国内情况有待确认。
常见问题
这个AI能帮我看出自己有没有眼睑问题吗？
不能直接用于个人自查。该研究发布的是一个供科研人员训练AI模型的数据集，不是面向患者的诊断工具。目前没有公开可用的APP或设备能靠一张自拍照准确判断眼睑疾病。眼睑问题种类多、表现隐匿，仅凭外观难以区分，如有异常感觉或外观变化，如有疑虑可咨询眼科医生。
以后看眼睑病是不是不用医生看了？
不会取代医生。该数据集是为开发AI辅助工具服务的，目标是帮医生更客观测量眼睑裂宽度、角膜暴露面积等参数，提升评估一致性。最终诊断仍需结合症状、查体和医生经验。AI目前只是潜在助手，不是决策主体。
延伸阅读
空间感知神经符号AI用于OCT图像视网膜病分类
研究开发了一种融合CNN、视网膜层分割图与专家规则的神经符号AI模型，用于对OCT图像进行多标签视网膜疾病分类。模型在10类疾病（含干/湿性AMD、糖尿病视网膜病变等）上测试，微平均精确率0.91、召回率0.81、F1分数0.86，AUC达0.98；对402张未纳入训练的病理图像，未错误判为‘正常’。
用眼底照片估算脉络膜肿瘤厚度的新方法
研究团队开发了一种受人类双眼立体视觉启发的深度学习模型，利用超广角眼底照相的红、绿通道光谱差异来预测脉络膜肿瘤厚度。该模型在337例患者数据上训练和验证，以超声测量值为金标准，结果显示均方根误差为1.07毫米，决定系数R²达0.85。基于厚度的风险分层准确率达90.5%，敏感性和特异性分别为87.7%和92.9%。
AI辅助干燥综合征唾液腺分型研究综述
该系统性综述评估了人工智能和机器学习在干燥综合征（SjD）唾液腺组织病理与分子分析中的应用。共纳入25项研究，AI/ML识别出免疫激活、组织结构改变、上皮应激及细胞死亡等多维表型。但仅少数研究推进到功能扰动、药物测试或人体治疗反应验证。研究受限于小样本、重复使用公共数据集、方法不统一及缺乏独立验证。