基于深度学习的脂质层厚度自动量化技术
摘要
研究团队开发了一套全自动深度学习框架，用于从白光干涉图像中定量分析泪膜脂质层厚度（LLT），以评估睑板腺功能障碍（MGD）和干眼病（DED）。该框架融合U-Net++分割模型与物理光学映射算法，在小鼠和人类数据集上分别取得0.98和0.99的Dice评分，LLT测量值与人工标注真值呈强线性相关（R²=0.97）。研究验证了其在临床场景中替代人工判读的可行性。
信息来源： PubMed Ophthalmology 发布于 2026年4月1日
要点速览
- 研究构建了首个融合深度学习与物理建模的全自动泪膜脂质层厚度（LLT）量化框架。
- 采用Unet++模型进行图像分割，在人类数据集上Dice评分为0.99，并通过光学映射实现纳米级厚度换算。
- LLT定量结果与人工标注真值呈强线性相关（R²=0.97），验证了方法的准确性。
本站解读
这项研究最实在的突破是让泪膜脂质层厚度测量从‘看图说话’变成了可重复、可量化的数字结果——Unet++模型在人类数据上Dice达0.99，说明它几乎能精准圈出脂质层边界；再通过物理建模把图像灰度值转成纳米级厚度，R²=0.97意味着测得的数值非常贴近真实值。样本虽未披露具体人数，但涵盖动物预实验与临床人群（健康人+MGD患者），设计上兼顾了机制验证与临床适用性。
不过，论文成果离诊室落地还有距离：它依赖高质量白光干涉图像，而现有设备成像稳定性、不同品牌间参数差异尚未被纳入验证；全自动分析也需嵌入现有眼科影像系统才能普及。短期内不会改变基层医生对干眼的初筛方式，但为未来标准化LLT报告、纵向跟踪MGD进展提供了可靠工具。
普通人无需因此调整日常护眼习惯，更不必自行解读泪膜图像。如有干眼相关疑虑可咨询眼科医生。
常见问题
这个新方法能让我知道自己干眼有多严重吗？
目前还不能直接用于个人病情分级。该技术是为医生提供更客观的脂质层厚度数值，仍需结合症状、眼表染色等其他检查综合判断干眼程度。它不替代医生诊断，也不改变现有干眼评估流程。如有干眼相关疑虑可咨询眼科医生。
以后查干眼是不是不用医生看了？
不是。这套系统是辅助医生的工具，不是独立诊断设备。它提升的是脂质层测量的精度和效率，但干眼诊断仍需医生综合问诊、裂隙灯检查、泪液分泌测试等多项结果。技术再先进，也不能取代专业判断。如有疑虑可咨询眼科医生。
延伸阅读
全球首个眼科基础模型Global RETFound启动
研究团队发起国际协作计划，开发名为Global RETFound的开源眼科基础模型，使用合成与匿名真实眼底彩照预训练。截至2026年7月10日，已有78国232家机构加入，39国提交88项数据资产（生成式AI权重或真实眼底照片）。目标是提升模型对拉丁美洲、非洲、中东和中亚等代表性不足人群的泛化能力，推动公平、可推广的眼科及系统性疾病AI应用。
深度学习算法在眼底照相中识别青光眼的外部验证
研究对外部人群队列（鹿特丹研究，50-80岁共9837名参与者、19088只眼）验证了一种基于彩色眼底照相（CFP）的深度学习算法，该算法曾获AIROGS挑战赛冠军，训练数据为101442张黄斑中心CFP。结果显示：在95%特异性下，眼水平敏感度为70.6%，ROC-AUC为0.911；真阳性者视野损害更重（平均偏差-10.8 vs -5.8 dB）；54%的真阳性者在确诊前4–7年即被算法标记；视盘中心CFP比黄斑中心CFP判别性能略优；视神经乳头显示不全显著降低阳性预测值。
计算眼科二十年演进与AI新前沿
该文基于2026年ARVO年会Cogan奖讲座，系统回顾了过去20年计算眼科的发展历程，涵盖大数据驱动的科研突破、机器学习在眼底影像等领域的应用，以及AI就绪数据生态系统的构建。讲座还展望了基础模型和智能体AI作为下一阶段关键技术，有望加速科学发现并提升临床照护水平。