基于角膜动态纹理分析识别圆锥角膜早期病变
摘要
研究团队提出CVS-omics框架，利用Corvis ST设备采集的角膜生物力学图像，在初始状态、第一次压平和最大形变三个阶段提取纹理特征，结合随机森林等机器学习模型识别隐匿型圆锥角膜（FFKC）。共纳入410只眼（265只正常眼、145只FFKC眼），训练集328眼，测试集82眼。结果显示，随机森林模型AUC达0.989，敏感度0.931，特异度0.962，显著优于传统生物力学参数（最佳AUC仅0.764）。
信息来源： PubMed Ophthalmology 发布于 2026年2月1日
要点速览
- 研究基于410只眼（265正常+145隐匿型圆锥角膜）构建CVS-omics纹理分析模型。
- 从Corvis ST图像的初始状态、第一次压平和最大形变三个阶段提取纹理特征，输入机器学习模型。
- 随机森林模型在测试集中AUC达0.989，显著高于传统生物力学参数的最佳AUC（0.764）。
- 多阶段纹理特征组合比单阶段建模诊断准确率更高。
本站解读
这项研究发现，用Corvis ST设备拍下的角膜在不同受力阶段的‘纹理细节’，比医生平时看的那些标准数值更能揪出早期圆锥角膜——一种常规检查容易漏掉的隐形角膜变形。它不是靠单张图，而是把三次关键形变时刻的图像纹理打包进算法，让机器学会识别肉眼看不见的微小异常。样本量410眼、测试集82眼，在同类方法学研究中算扎实；但毕竟没做前瞻性多中心验证，也未说明是否纳入术后或戴镜患者，离临床常规使用还有距离。
短期内不会改变门诊流程：目前Corvis ST设备尚未成为国内角膜筛查标配，且该模型需专用分析流程，尚无商业化软件支持。真正落地需要厂商整合进设备系统，并通过监管审批。国内情况有待确认。
普通人无需因此改变日常用眼习惯或主动加查项目；若已有角膜塑形镜验配史、家族史或视力波动疑虑，如有疑虑可咨询眼科医生。
常见问题
这个新方法能提前发现圆锥角膜吗？
是的，它在研究中能更早、更准地识别隐匿型圆锥角膜（FFKC），AUC达0.989，而传统参数最高只有0.764。该方法依赖Corvis ST设备采集的动态图像和专用算法分析，目前仍处于研究阶段，尚未作为常规筛查手段应用。如有疑虑可咨询眼科医生。
我戴OK镜多年，这个检查现在能做吗？
目前不能普遍开展。该方法需Corvis ST设备配合特定纹理分析流程，尚未集成到临床常规检查中，也未见于现有指南推荐。国内是否已开展此类分析尚无公开信息。如有角膜形态或视力变化疑虑，可咨询眼科医生。
延伸阅读
AI辅助鉴别IgG4眼病与眼眶MALT淋巴瘤
该综述系统梳理了人工智能（尤其是放射组学和深度学习）在区分IgG4相关眼病（IgG4-ROD）与眼眶黏膜相关淋巴组织（MALT）淋巴瘤中的应用进展。研究指出，两者影像特征高度相似，临床鉴别困难；AI可通过提取高维影像特征构建预测模型提升诊断准确性。文章总结了多模态影像整合、模型优化策略，并指出当前研究普遍存在样本量小、单中心回顾性设计、数据异质性强、可解释性不足及缺乏外部验证等关键局限。
AI增强OCT可准确量化冠状动脉斑块负荷
研究团队开发了一种深度学习算法，用于全自动分析光学相干断层扫描（OCT）图像，以量化冠状动脉斑块负荷（PB）和血管尺寸。研究使用10例尸检人的心脏，对29支主要冠状动脉进行OCT和血管内超声（IVUS）成像，并与组织病理学金标准对比。共获得852个匹配的横截面数据，结果显示AI-OCT与病理结果的相关性不劣于IVUS，且无统计学显著差异。
大语言模型用于糖尿病视网膜病变患者教育的评估
研究对比了ChatGPT、Gemini、DeepSeek、Doubao、Copilot和Perplexity六款大语言模型在回答50个标准化糖尿病视网膜病变患者问题时的表现。由五名评审员依据安全、准确、共情、信息质量（DISCERN、JAMA等）、透明度和可读性等维度评分。结果显示，各模型安全响应率在86.0%至94.0%之间，准确性普遍较高，但共情能力差异明显；Perplexity在信息质量指标上得分最高，Gemini可读性最佳，但所有模型的Flesch阅读易度分均低于推荐阈值。