AI平台实现感染性角膜炎AS-OCT自动评估
摘要
研究团队开发了名为'智能定量角膜炎图像分析平台'的网页版深度学习系统，基于3130张AS-OCT图像训练，可自动分割病灶、量化浸润厚度与宽度、分层评估并生成3D角膜重建。模型对角膜组织和浸润病灶的Dice评分分别为0.922和0.834，浸润厚度与宽度的分类准确率分别为0.802和0.905，与金标准的一致性（ICC）达0.961和0.960，高于专家间一致性（0.786–0.955）。
信息来源： PubMed Ophthalmology 发布于 2026年6月17日
要点速览
- 平台基于3130张AS-OCT图像训练，采用U-Net与Swin Transformer融合的半监督框架
- 实现病灶分割、参数量化、径向分层及三维可视化，支持非侵入式动态监测
- 浸润宽度评估ICC达0.960，数值上超过专家间一致性上限（0.955）
本站解读
这项研究证实，一个结合U-Net与Swin Transformer的半监督AI模型，能在AS-OCT图像上稳定识别并量化感染性角膜炎的病灶特征——比如它对浸润宽度的评估ICC高达0.960，明显超过专家之间的平均一致性（最高0.955），说明AI在客观性上已具备超越人工判读的潜力。
研究用3130张图像训练，样本量在同类眼科AI研究中属中上水平，但全部来自单中心回顾性数据，未报告外部验证或前瞻性临床测试结果，因此离真实诊室部署还有距离：需要医生确认AI输出是否真正影响治疗决策，比如是否缩短停药时间或减少复发率。
短期内不会改变普通人的就医流程；该平台面向医生而非患者，不提供诊断结论或用药建议。它若落地，可能让复诊时的角膜变化对比更直观、更可追溯，但目前仍处于技术验证阶段。国内情况有待确认。
常见问题
这个AI能直接告诉我角膜炎严不严重吗？
不能。该平台是给眼科医生用的辅助工具，不向患者提供诊断结论或严重程度分级。它把AS-OCT图像中的病灶自动标出来、算出厚度和宽度，并生成3D图供医生参考。最终判断仍由医生综合临床表现做出。如有疑虑可咨询眼科医生。
以后查角膜炎是不是不用拍那么多照片了？
不是。该平台依赖高质量AS-OCT图像输入，拍摄步骤和数量不会减少。它的作用是提升已有图像的分析效率和客观性，比如把原本靠医生目测的病灶范围变成可重复测量的数据。检查流程本身没有简化。
延伸阅读
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。
CNN、Transformer与Mamba模型在眼病分类中的性能对比
研究首次将Mamba架构应用于彩色眼底图像的多类别眼病自动分类，并在相同实验条件下对比了6种CNN、Transformer和Mamba模型在Eye Disease Image Dataset（EDID）上的表现。结果显示三类模型整体性能相近；对前三名模型进行logit级集成后略有提升，表明它们捕捉的视觉特征存在部分互补性。研究还指出，结构特征明显的眼病识别更稳定，而特征细微或重叠的类别仍具挑战性。
多种深度学习模型用于角膜炎六分类诊断的比较研究
研究团队使用3797张裂隙灯图像，训练并对比了CNN、Transformer、自监督和视觉-语言模型在六类角膜炎（正常角膜、细菌性、真菌性、病毒性、棘阿米巴性及非感染性）分类中的表现。RegNet在图像级准确率达76.8%，EfficientNet_B0在患者级准确率为77.5%。在240张测试图上，RegNet准确率75.4%，高于资深角膜专科医生（72.7%）、初级角膜专科医生（56.3%）和初级综合眼科医生（44.4%）。研究指出模型尚不能替代医生独立诊断，需外部及前瞻性验证。