AI模型实现甲状腺眼病眼外肌MRI自动分割
摘要
日本大阪都市大学眼科开展单中心回顾性研究，纳入2020年10月至2023年6月间52例甲状腺眼病患者的眶区MRI数据，人工标注全部眼外肌后构建深度学习AI模型。采用5折交叉验证，在12例、32例和52例三组数据集上测试模型性能，以Dice相似系数（DSC）评估分割一致性，并测量眼外肌平均信号强度比（SIR）验证定量准确性。结果显示，52例数据训练的模型在下直肌和内直肌分割中DSC显著优于小样本模型，且所有眼外肌的SIR在AI与人工标注间均呈显著相关。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- 研究基于52例甲状腺眼病患者的MRI数据，完成全部眼外肌的人工标注并构建深度学习AI分割模型。
- 采用5折交叉验证，在12例、32例和52例三组数据集上对比模型性能，核心指标为Dice相似系数（DSC）和信号强度比（SIR）。
- 52例数据训练的模型在下直肌和内直肌的DSC显著优于小样本模型，且所有眼外肌的SIR在AI与人工标注间均呈显著相关。
本站解读
这项研究证实，用52例患者MRI数据训练的AI模型，能较准确地自动分割甲状腺眼病患者的眼外肌——尤其对下直肌和内直肌这类常受累且形态易变的肌肉，分割精度明显高于仅用12例或32例数据训练的模型。样本量虽不大，但来自单一中心、时间跨度近三年、标注由专业团队完成，设计扎实；不过，未说明是否包含健康对照或不同疾病分期患者，泛化能力尚待外部验证。
短期内难以改变临床做法：当前模型尚未集成进常规影像工作站，也未通过监管审批，更未在真实世界中验证其对医生诊断效率或治疗决策的影响。从论文到临床工具，还需多中心前瞻性验证、软件CE/FDA认证、与放射科/眼科工作流整合等步骤，预计至少还需2–3年。
普通人无需因此改变任何行为——这是一项面向医生和影像科的技术支持工具，不涉及筛查、用药或生活方式调整。如有疑虑可咨询眼科医生。
常见问题
这个AI能帮医生更快确诊甲状腺眼病吗？
不能直接用于确诊。该AI只负责从MRI图像中自动勾画出六条眼外肌的轮廓，属于影像分析辅助工具，不参与诊断判断。甲状腺眼病的诊断仍需结合临床症状、激素检查、影像学整体评估等综合判断。如有疑虑可咨询眼科医生。
以后做MRI是不是不用医生看片子了？
不是。AI目前只能辅助分割肌肉区域，不能替代医生解读影像、识别炎症水肿、判断纤维化程度或评估视神经受压等关键临床信息。医生仍需全程主导判读和决策。该技术目标是减少人工标注耗时，提升量化分析的一致性，而非取代专业判断。
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。
AI可替代一名医生进行眼底照相初筛
研究回顾性分析6904张眼底彩照，评估AI作为初筛者与一名医生组成双人读片流程的效果。结果显示，对糖尿病视网膜病变和视网膜静脉阻塞，AI-human组合的敏感度（0.974–0.982）和特异度（0.999–1.000）与传统双人人工读片无显著差异，且人均阅片量从2.00–2.10次降至1.02–1.11次；年龄相关性黄斑变性结果因读片组合而异，部分组合敏感度更高（0.916–0.950）。