融合深度学习与计算机视觉的干眼症自动评估系统
摘要
研究团队构建了一套结合YOLOv8深度学习模型与OpenCV图像处理算法的混合系统，用于实时眨眼监测、泪膜破裂模式（BUPs）分类及干眼症分型诊断。研究纳入95名受试者，其中干眼组65人、非干眼组30人。YOLOv8-m模型在泪膜破裂区域检测中精确率达74.6%，系统在独立测试集上实现100%眨眼监测成功率和75.47%的BUPs分类准确率。系统测得的泪膜破裂时间（STBUT）为1.99±1.36秒，略短于人工测量值（2.21±1.47秒），显示更高敏感性。
信息来源： PubMed Ophthalmology 发布于 2026年7月1日
要点速览
- 研究构建了融合YOLOv8深度学习与OpenCV图像处理的混合系统，用于实时眨眼监测和泪膜破裂模式（BUPs）分类。
- 在95名受试者中，YOLOv8-m模型实现74.6%的泪膜破裂区域检测精确率，系统BUPs分类准确率为75.47%。
- 系统测得泪膜破裂时间（STBUT）为1.99±1.36秒，显著短于人工测量值（2.21±1.47秒，P<0.01），提示更高早期破裂检出敏感性。
本站解读
这项研究首次实现了眨眼行为与五种泪膜破裂模式（Area、Line、Spot、Dimple、Random）的全自动同步识别，并将结果直接关联到干眼分型与管理建议——这比单纯测TBUT或OSDI问卷前进一步。样本量95例偏小，且未说明是否多中心、是否涵盖不同年龄/性别/严重程度人群，属于初步验证性研究；但其在独立测试集上达成100%眨眼监测成功率和75.47%的BUPs分类准确率，已超出多数同类方法，技术路径扎实。
短期内难直接改变临床常规：目前系统依赖高清视频采集与专用图像处理流程，尚未集成至主流裂隙灯或诊室设备，也未通过医疗器械注册认证。它更可能先作为辅助分析模块嵌入科研平台或高端干眼诊疗中心。真正进入基层门诊，还需硬件适配、操作简化和更大规模临床验证。
普通人无需因此调整日常习惯，也不必主动寻求该系统检查。干眼症状如眼红、异物感、视物波动等仍应依据医生综合判断。如有疑虑可咨询眼科医生。国内情况有待确认。
常见问题
这个新系统能帮我查出是哪种干眼症吗？
该系统可自动识别五种泪膜破裂模式（如Area、Line、Spot等），并据此支持干眼症分型诊断和治疗推荐，已在研究中完成验证。但它目前处于实验室验证阶段，尚未作为成熟诊断工具在临床常规使用，也不能替代医生综合评估。如有疑虑可咨询眼科医生。
用这个系统检查比医生手动检查更准吗？
研究显示系统测得的泪膜破裂时间（1.99±1.36秒）比人工测量值（2.21±1.47秒）更短，且差异具有统计学意义（P<0.01），说明系统对早期泪膜破裂更敏感。但人工检查结合症状问诊和多种指标仍是临床金标准，该系统目前定位是辅助分析工具，而非替代手段。
延伸阅读
用神经算子快速分析泪膜破裂
研究者提出一种基于神经算子的新型计算框架，用于替代传统耗时的逆问题求解方法，以从荧光图像中快速估算泪膜厚度和渗透压。该方法依托模拟的泪膜动力学数据进行训练，旨在实现泪膜动态变化的高效、数据驱动分析。
视频大模型评估干眼科普视频质量表现不佳
研究首次建立视频大语言模型（VideoLLM）评估眼科科普视频的基准框架，测试了VideoLLaMA3、QwenVL和InternVL三款模型对185条中文干眼短视频的质量评分能力。使用PEMAT-A/V、GQS和VIQI三种专业工具作为金标准，由两位眼科医生独立标注。结果显示，三款模型与专家评分的一致性普遍偏低（ICC<0.40），仅在PEMAT-A/V的‘可操作性’维度上，QwenVL和InternVL分别达到ICC 0.50和0.43。
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。