一种融合深度学习和计算机视觉的混合系统，用于自动监测眨眼行为及泪膜破裂模式分类

《The Ocular Surface》：A Hybrid System Integrating Deep Learning and Computer Vision for Automated Blink Monitoring and Tear Film Break-Up Pattern Classification

　　

李一克|潘安鹏|孙一婷|金秀明|于阿勇

中国浙江大学医学院第二附属医院眼科中心

摘要

目的

构建并验证一个融合深度学习和计算机视觉的混合系统，用于实时眨眼监测、泪膜破裂模式（BUPs）分类以及干眼症（DE）亚型诊断和治疗建议。

方法

这项前瞻性研究包括95名受试者。训练了三种YOLOv8模型（YOLOv8-n/s/m），并比较它们检测眼部结构和泪膜破裂（TFBU）区域的能力。表现最佳的模型与基于几何形态学的OpenCV图像处理算法结合，用于分类五种特定的BUPs（区域型、线型、点型、凹陷型和随机型），并实现实时眨眼监测。该自动化系统的整体性能在独立测试集上得到了验证。

结果

干眼症（DE）组（n=65）和非干眼症组（n=30）之间的眼表疾病指数（OSDI）和泪膜破裂时间（TBUT）存在显著差异（P < 0.001）。选择YOLOv8-m模型进行自动化眨眼监测和BUPs分类系统的构建，因为其性能最佳（TFBU检测的准确率为74.6%）。在测试集中，该系统在眨眼监测方面的成功率为100%，BUPs分类的总体准确率为75.47%。系统测量的TBUT（STBUT）与手动测量的TBUT（MTBUT）表现出极好的一致性。值得注意的是，STBUT（1.99±1.36秒）显著短于MTBUT（2.21±1.47秒，P<0.01），这反映了系统在早期检测TFBU方面的更高敏感性，同时也存在方法学差异。Bland-Altman分析确认这些差异主要分布在95%的一致性范围内。

结论

该混合系统实现了实时眨眼监测和精确的BUPs分类，支持以泪膜为导向的诊断（TFOD）和个性化的干眼症管理。

引言

干眼症（DE）是一种多因素引起的慢性眼表疾病，其特征是泪膜稳态的丧失，导致眼表炎症、神经感觉异常和视觉功能障碍，严重影响生活质量[1]、[2]。其全球患病率为5-50%，由于数字设备使用增加和人口老龄化等因素，其发病率正在上升，因此准确诊断和治疗已成为日益重要的公共卫生问题[3]、[4]、[5]。

干眼症的病理生理基础在于泪膜稳定性的破坏，其正常结构包括脂质层、水层和黏蛋白层（图1）。基于此，亚洲干眼协会（ADES）提出了以泪膜为导向的诊断（TFOD）框架。该方法系统地分析泪膜各层及表层上皮层，通过将客观的泪膜不稳定性与患者的主观症状相关联来建立诊断[6]、[7]、[8]。

根据TFOD分类系统，干眼症可分为三种亚型：水液缺乏型干眼症（ADDE）、湿润性降低型干眼症（DWDE）和蒸发增加型干眼症（IEDE）。由于泪膜动力学的差异，特定成分的缺失会导致不同的泪膜破裂模式（BUPs）。因此，泪膜荧光染色可以可视化泪膜的形态变化，帮助临床医生进行准确评估。BUPs分为区域型断裂（AB）、线型断裂（LB）、点型断裂（SB）、凹陷型断裂（DB）和随机型断裂（RB）[9]、[10]、[11]、[12]。严重ADDE中的AB表现为眨眼后立即断裂（泪膜破裂时间（TBUT）≈0秒），伴有上皮缺陷。中度ADDE中的LB表现为垂直线性断裂（TBUT = 2-3秒），这是由于脂质-水层动力学的原因[13]。SB和DB都源于黏蛋白缺乏，导致脂质污染角膜上皮，阻碍泪液正常湿润，形成不染色的干燥斑点。在严重干眼症中，SB表现为即时稳定的断裂斑点；而在较轻的情况下，较小的断裂区域可以在泪液重新分布后消失[14]、[15]、[16]。IEDE中的RB表现为不规则模式（TBUT ≥ 5秒），这是由于脂质/MUC5AC缺陷导致蒸发加速[17]、[18]、[19]。

这些特定的BUPs有助于精确的亚型分类，并支持以泪膜为导向的治疗（TFOT），针对不同的成分进行个性化管理[20]。在TFOT概念的指导下，应采用特定的治疗方法：对于ADDE，人工泪液可以有效补充水液泪液；对于难治性患者，可以考虑泪点封闭手术[23]、[24]；对于黏蛋白缺乏引起的湿润度降低，DQS和/或Rebamipide（RBM）可以促进黏蛋白（如MUC16）的表达，修复眼表屏障[21]、[25]。对于IEDE，DQS可以通过增强MUC5AC的表达来改善黏蛋白层的稳定性，并结合睑板腺功能障碍（MGD）治疗（如热敷、眼睑边缘清洁）来优化脂质层功能[21]、[26]、[27]。TFOD和TFOT能够精确识别BUPs，指导个性化治疗，显著提高临床疗效和患者生活质量。

然而，BUPs的异质性使得其评估高度主观。尽管使用荧光素钠染色的裂隙灯显微镜图像提供了重要的分类标准，但仍缺乏可靠、客观的定量技术。临床上，只有当BUP在连续眨眼中始终出现时，才能被认定为诊断依据。不可重复的模式通常被认为是瞬态伪影。然而，由于泪膜的快速变化和观察者疲劳，实时手动确认这种一致性具有挑战性，可能导致诊断不一致。为了解决这一挑战，本研究探讨了人工智能（AI）辅助的TFOD/TFOT精确诊断和治疗的可行性。AI在干眼症领域的应用正在快速发展。Su等人首次将DL应用于TBUT测量[28]；Vyas等人基于TBUT实现了干眼症严重程度的分级[29]；Yokoi等人应用深度学习模型训练非侵入性视频角膜成像，并在TFOD框架下成功分类干眼症亚型[30]。然而，目前尚无研究基于荧光素染色图像实现BUPs的自动分类。

虽然经验丰富的眼科医生可以评估BUPs，但手动评估仍然主观且缺乏对TBUT起始或扩展率的精确量化。相比之下，AI能够提供毫秒级的测量和一致的区域计算，这是人类观察者无法实现的。此外，掌握BUP分类的学习曲线较为陡峭，限制了TFOD的广泛应用。通过提供客观的定量指标并标准化诊断过程，AI辅助系统解决了这些问题。它提高了诊断准确性，减少了变异性，并将专家级别的评估扩展到非专业环境——这些优势只有通过使用AI才能实现。

鉴于此，本研究开发了一个混合AI框架来应对这些挑战。具体而言，我们将YOLOv8深度学习模型与基于规则的OpenCV计算机视觉算法相结合。因此，该系统实现了实时眨眼监测和自动BUP分类。此外，它旨在克服手动验证连续眨眼中模式可重复性的困难。这种方法动态分析泪膜的形态变化，从而提供了一个强大的临床决策支持工具。最终，预计将提高基于TFOD/TFOT的干眼症管理的客观性和效率。

章节摘录

研究设计和参与者招募

这项前瞻性横断面研究在温州医科大学眼科医院进行，并获得了该机构伦理委员会的批准（批准编号：2023-243-K-193），符合赫尔辛基宣言。2023年7月至2024年10月期间，根据以下标准招募了95名参与者，所有参与者均提供了书面知情同意。纳入标准：（1）年龄18-55岁；（2）具备足够的语言理解能力和愿意遵守研究程序；（3）

受试者

本研究共招募了95名参与者（190只眼睛），其中包括82名女性和13名男性。根据干眼症诊断标准，参与者被分为干眼组（65名参与者，130只眼睛）和非干眼组（30名参与者，60只眼睛）。两组的基本特征见表2。OSDI评分和TBUT值均不符合正态分布。在干眼组和非干眼组之间，TBUT和OSDI评分存在统计学上的显著差异

讨论

干眼症是一种常见的眼表疾病，发病率正在上升，主要归因于现代生活方式，严重影响患者的生活质量。然而，目前的诊断主要依赖于临床医生的主观经验，缺乏客观、标准化的评估工具。虽然深度学习已被引入以提高诊断准确性，但以往关于BUPs分类的AI模型研究通常依赖于专用设备进行间接评估

CRediT作者贡献声明

李一克：撰写——原始草稿、软件开发、项目管理、调查、数据管理、概念构思。金秀明：撰写——审稿与编辑、验证、概念构思。于阿勇：撰写——审稿与编辑、项目管理、方法学、数据管理、概念构思。潘安鹏：撰写——审稿与编辑、验证、资源协调、方法学、资金获取、正式分析。孙一婷：撰写——审稿与编辑、调查、数据管理

知情同意

所有参与研究的个体都获得了知情同意。

资金

本研究得到了中国浙江省自然科学基金（资助编号LTGY23H120001）和浙江省新苗人才计划（资助编号2024R413B070）的支持。资助者在研究设计、数据收集与分析、发表决定或手稿准备方面没有发挥作用。

利益冲突声明

所有作者声明他们与本文讨论的主题或材料没有任何组织或实体的财务或非财务利益关联。