一种基于深度学习的方法，通过荧光素染色视频来评估角膜塑形镜的适配状态

《Contact Lens and Anterior Eye》：A deep learning-based method for evaluating the fitting states of orthokeratology lenses using fluorescein staining videos

本研究提出基于ResNet-50和时空注意力模块的双流架构，用于自动化评估Ortho-K镜片适配状态，并与经验验光师标注结果对比。实验在143例荧光素染色视频数据集上验证，模型准确率达92.3%，显著优于单一模型，有效解决了验光师主观评估导致的漏诊和误诊问题。

　　

罗荣|何志强|牛凯|宋宏新

北京邮电大学通用无线通信重点实验室，北京，100876，中国

摘要

目的：

开发并验证一种基于深度学习的自动化工具，用于评估角膜塑形镜的适配状态。该工具采用基于ResNet-50的双流架构和时序注意力模块，将其性能与经验丰富的验光师的手动标注结果进行比较，并评估模型中使用的方法的有效性。

方法：

数据集包含143段在裂隙灯显微镜下进行的荧光素染色检查的视频记录。五位经验丰富的验光师独立评估了这些视频，将镜片适配状态分为三类：松动适配、良好适配和紧密适配。这些验光师的共识评估被作为黄金标准。ResNet-50网络用于处理帧内图像并提取镜片形态特征，而时序注意力模块用于分析连续的帧间图像并捕捉镜片运动特征。为了增强对镜片适配空间特征的捕捉，采用了边缘检测方法作为数据增强手段。在独立特征提取后，通过拼接将两个分支的输出合并，最终使用融合结果进行分类任务。

结果：

通过结合经验丰富的验光师的标注，所提出的模型在分类角膜塑形镜（Ortho-K）适配状态方面表现出强大的性能，总体准确率为92.3%，宏观敏感性为92.6%，宏观特异性为96.2%。该方法优于单独的TimeSformer和ViViT模型，将所提出的模块集成到这些模型中显著提高了评估准确性。

结论：

研究表明，所提出的模型能够自动且准确地评估角膜塑形镜的适配状态。这种方法提供了一种可靠且客观的评估方法，极大地有助于临床评估角膜塑形镜的适配情况。

引言

Holden的荟萃分析预测，到2050年，全球一半的人口将受到近视的影响[1]。与此趋势一致，Liang J等人使用随机效应模型对1990年至2023年间全球关于近视患病率的研究数据进行了荟萃分析。数据被分为四个时期：1990–2000年、2001–2010年、2011–2019年和2020–2023年。研究发现，青少年（13–19岁）的近视患病率从1990–2000年的43.86%上升到2020–2023年的53.92%，高中生的近视患病率在同一时期从38.71%上升到60.69%[2]。近视患病率的增加凸显了其作为全球主要公共卫生问题的重要性。在减少屈光不正和控制近视的可用干预措施中，角膜塑形镜（Ortho-K）已被临床验证为一种有效的非手术方法[3]、[4]、[5]、[6]。Ortho-K镜片是一种具有逆几何设计的特殊硬性隐形眼镜。其效果在于减薄中央角膜上皮并重新分配中周区域的基质和上皮组织[7]。鉴于角膜贡献了大约40-44D的屈光力，占眼睛总屈光力的约70%，即使上皮细胞厚度的微小变化也会显著影响屈光不正[8]。由于Ortho-K镜片通过重塑前角膜表面来矫正屈光不正，因此适配参数直接决定了这一重塑过程的准确性。因此，确保Ortho-K镜片适配参数的准确性对于实现舒适的镜片佩戴、保证适当适配和防止副作用至关重要。适配评估涉及精确测量，以确保镜片与角膜的最佳对齐。虽然地形图对于评估镜片适配有效，但在裂隙灯检查下的荧光素染色可以实时观察镜片佩戴过程中的动态变化。后者提供了角膜与镜片接触的即时可视化，从而实现准确评估和及时调整。

临床实践中常用的两种主要Ortho-K镜片设计是角膜屈光治疗（CRT）镜片和视觉塑形治疗（VST）镜片[9]。在临床实践中，VST Ortho-K镜片的适配是基于裂隙灯检查下使用荧光素染色的既定、可观察的标准进行评估的。这些标准主要包括：（1）中央间隙，表现为中央光学区下方荧光素的积聚情况；（2）中周泪液储存区的完整性，反映为反向曲线的可见性和连续性；（3）周边边缘抬高，通过周边荧光素染色的充分性来评估以确保适当的泪液交换；（4）镜片中心定位，描述镜片相对于角膜顶点的对齐情况；以及（5）动态镜片行为，通过眨眼时镜片垂直运动的幅度和稳定性来评估。具体来说，适当适配的VST镜片通常表现出平衡的荧光素图案、适当的中央积聚、明确的反向曲线和连续的周边对齐带，以及眨眼时稳定的中心定位和轻微的垂直运动（大约0.5–1.0毫米）。相反，偏离这些特征表明镜片适配过紧或过松。因此，VST镜片适配的临床评估可以总结为两个互补方面：（1）静态荧光素形态，描述镜片下泪膜的空间分布；以及（2）动态镜片行为，描述眨眼时的镜片运动和定位。图1展示了不同适配状态下的代表性荧光素染色图案。

如图1所示，裂隙灯检查对Ortho-K镜片适配的评估依赖于对镜片形态和运动特征的解释。传统上，验光师通过显微镜视觉检查来评估这两个特征——这一过程本质上是主观的，并且严重依赖于临床经验。经验不足的验光师常常难以准确区分不同的Ortho-K镜片适配状态，这可能导致适配不当，从而影响治疗效果并增加角膜损伤的风险。这些挑战——特别是客观量化镜片形态特征和动态特征的需求——突显了人工智能（AI）在改进角膜塑形镜（Ortho-K）适配评估方面的潜力。近年来，深度学习在医学图像分析方面取得了显著成就[10]、[11]、[12]、[13]。它能够自动从图像和视频等数据中提取和整合判别特征，特别适合处理复杂任务。通过分析眼部医学图像（包括眼底照片和视网膜成像数据），它在诊断糖尿病视网膜病变、青光眼和年龄相关性黄斑变性等主要眼科疾病方面达到了专家水平[14]、[15]、[16]。

鉴于深度学习在解码医学图像复杂模式方面的能力[17]，并且认识到其在Ortho-K镜片适配中的应用尚未得到广泛探索，本研究提出了一种基于深度学习的方法，以客观量化镜片静态形态特征和动态运动特征，这对于最佳镜片评估至关重要。本研究开发并验证了一种双流架构，分别处理空间和时间动态，以捕捉它们的独特特征，然后将这两种特征融合在一起进行联合判别——最终旨在帮助验光师做出更准确的适配决策。该方法引入的关键改进包括：

本研究整合了帧内和帧间信息，以更好地保留视频数据中的镜片适配相关信息。使用ResNet-50网络从帧内图像中提取镜片形态特征[18]，而时序注意力模块从帧间捕获镜片运动特征。这种双流整合使得镜片适配特征的提取更加全面，从而提高了模型的预测能力。

本研究开发了一种专门的镜片边缘检测方法，增强了荧光素染色图案，使得能够表征关键的适配相关特征，如镜片-角膜边缘的一致性和泪膜分布。此外，连续的多帧镜片边缘检测有助于分析其在动态条件（例如眼球运动、眨眼）下的位置和形态变化。所提出的方法精确检测了镜片边缘信息，随后用于数据增强，从而提高了模型的分类能力。

部分摘录

视频数据集

这项回顾性研究于2022年4月至5月期间在北京同仁医院招募了受试者。共有143名患者接受了角膜塑形镜（Ortho-K）适配评估。所有受试者都佩戴了VST设计的Alpha镜片（$\alpha$ ORTHO?-K，Menicon，马来西亚雪兰莪）。视频数据是在钴蓝照明下的常规裂隙灯检查中收集的，没有应用额外的选择标准。因此，数据集

结果

数据集使用8:2的分层比例分为训练集和测试集。这确保了两个子集之间的类别分布一致。具体来说，训练集包含34例、40例和43例分别属于三个类别，而测试集分别包含8例、9例和9例。所提出模型的分类结果如表1所示。

如表1所示，所提出的模型在Ortho-K镜片适配状态分类方面表现出强大的性能。

讨论

研究表明，角膜塑形镜是一种有效且安全的手段，可以减缓儿童和青少年的近视进展，使其成为近视管理中的宝贵工具。此外，对于那些希望避免日间佩戴隐形眼镜或眼镜的不便并寻求非侵入性视力矫正的人来说，它具有显著的好处。最佳的镜片适配和持续的随访护理至关重要，因为它们不仅确保了准确的视力矫正，而且

CRediT作者贡献声明

罗荣：设计并执行实验，分析数据，撰写手稿。何志强：监督项目，协助数据分析，对手稿进行严格修订。牛凯：构思研究，设计实验，对手稿进行严格修订。宋宏新：收集数据，提供验光技术方面的专业知识，在手稿修订过程中提供关键反馈。

资助

本工作得到了中国国家重点研发计划（项目编号：2024YFC2419503）的支持。

伦理批准

本研究遵循《赫尔辛基宣言》的原则进行。

利益冲突声明

作者没有与本文内容相关的利益冲突需要声明。