基于深度学习的眼睑及眶周参数评估：助力上睑下垂诊疗
摘要
上睑下垂是一种常见的眼睑疾病，影响患者的视力和外观。本研究旨在开发并评估一种基于深度学习（DL）的系统，用于自动测量眼睑和眶周参数，并对上睑下垂患者的提上睑肌功能（LF）进行分类。研究回顾性纳入了2016年1月至2021年11月期间在三级眼科整形中心接受上睑下垂手术的1,177名患者。根据临床评估，将LF分为良好（>10 mm）、一般（4-10 mm）和较差（≤4 mm）。DL模型能够准确分割眼睑和眉毛区域，并测量关键参数，与手动测量结果高度一致。结合DL提取的特征和人口统计学数据，多变量逻辑回归模型预测LF等级的总体准确率为0.760，AUC为0.829，接近眼科医生的评估水平。该DL系统提供了一种高效、客观的工具，支持上睑下垂的个性化诊断和手术规划。
信息来源： PubMed Ophthalmology 发布于 2026年2月4日
要点速览
- 基于深度学习的系统实现了高精度的眼睑和眶周参数测量，与手动测量结果高度一致。
- 多变量逻辑回归模型结合DL提取的特征和人口统计学数据，预测提上睑肌功能等级的准确率达到0.760。
- 该系统为上睑下垂的个性化诊断和手术规划提供了高效、客观的工具。
本站解读
这项研究揭示了人工智能在眼科诊疗中的巨大潜力，特别是对于上睑下垂这类需要精确评估的疾病。基于深度学习的系统不仅能够实现高精度的图像分割和参数测量，还能有效辅助医生进行提上睑肌功能的分类，从而提高诊断和治疗计划的准确性。这种技术路线的变迁预示着未来眼科诊疗将更加依赖于智能化工具，而不仅仅是依靠医生的经验。
从行业竞争生态来看，这一技术的应用可能会重塑现有的医疗格局。传统的眼科诊疗设备和技术可能面临被替代的风险，而那些能够快速适应并整合AI技术的企业则有望在市场中占据优势。国内外的研发管线也在加速推进，尤其是在中国，随着政策的支持和资本的涌入，相关技术的研发和应用正在迅速发展。
然而，这种技术的广泛应用还面临着一些挑战，如数据隐私、伦理问题以及技术普及的成本等。后续需要密切留意的是，这些技术如何在实际临床中落地，以及其长期效果和安全性如何得到验证。此外，随着更多企业和研究机构进入这一领域，市场竞争将进一步加剧，护城河的构建将成为企业关注的重点。
常见问题
这个新系统对我有什么帮助？
这个基于深度学习的系统可以更准确地测量眼睑和眶周参数，帮助医生更好地评估您的病情，并制定个性化的治疗方案。如有疑虑可咨询眼科医生。
这种技术什么时候能用到我身上？
目前这项技术还在研究阶段，具体何时能在临床中广泛应用还需进一步验证。但随着技术的发展和政策的支持，相信不久的将来就能惠及更多患者。
延伸阅读
轻量级视网膜血管分割网络LCNet：高效精准的临床辅助诊断工具
视网膜血管分割技术在计算机辅助临床诊断中至关重要。尽管深度学习技术显著提升了分割精度，但现有方法在处理细小和模糊边界时仍存在局限性，且多数主流模型依赖复杂的编码器，导致参数量大、资源需求高。为此，研究者提出了一种轻量级U形网络LCNet，通过深度可分离卷积减少参数和计算成本，并引入协同坐标注意力模块以增强特征学习。此外，LCNet还利用空洞空间金字塔池化模块捕捉多尺度特征，并通过四个侧输出层提供额外监督。实验结果显示，LCNet在DRIVE、STARE、CHASEDB1和IOSTAR四个经典数据集上分别达到了96.02%、97.95%、97.95%和97.77%的全局准确率，仅需2.65 M参数和21.2 GFLOPs。该模型在病变眼底图像和光学相干断层扫描血管成像中的表现同样出色，证明了其在视网膜血管分割中的高效性和准确性。
苯肾上腺素引导的双侧Müller肌切除术优化眼睑对称性
该研究旨在评估苯肾上腺素引导的双侧Müller肌-结膜切除术（MMCR）在轻至中度上睑下垂患者中的解剖、功能和美学效果。通过标准化切除算法，术前模拟术后眼睑位置并揭示Hering现象相关的对侧下垂，实现个体化手术规划。研究纳入了59名患者共118只眼，结果显示术后3个月时，右眼和左眼的MRD-1分别从1.24±0.95 mm和1.32±0.84 mm显著提高到2.68±0.91 mm和2.61±0.78 mm（p<0.001）。74.6%的患者达到极佳的眼睑对称性，仅8.4%需要二次手术。结论表明，苯肾上腺素引导的双侧MMCR是一种安全、有效且高度可预测的手术方法，可作为侵入性更强的上睑下垂修复方法的替代方案。
深度学习算法在糖尿病视网膜病变中的非灌注区自动量化
该研究旨在评估一种定制的深度学习算法在超广角扫频源OCT血管成像（UWF SS-OCTA）中对非灌注区（NPA）进行自动分割的性能及其在糖尿病视网膜病变（DR）严重程度评估中的应用。研究采用横断面设计，纳入180只眼，涵盖所有DR严重程度等级。研究人员开发了一种基于多尺度U-Net骨干网络并结合挤压和激励注意力机制的卷积神经网络，用于从三种扫描模式（6 × 6 mm、12 × 12 mm 和 29 × 24 mm）的全视网膜层图像中分割NPA。通过两名独立评分者和一名玻璃体视网膜专家生成的金标准标注，以及结构OCT图像来区分真实NPA与阴影伪影。结果显示，该算法在不同扫描尺寸下均表现出高精度（F1分数分别为0.82 ± 0.01、0.84 ± 0.03 和 0.83 ± 0.02），且无显著差异。Bland-Altman分析表明，人类标记和算法预测的非灌注指数（NPI）之间具有高度一致性。结论是，该深度学习算法在单次扫描UWF SS-OCTA中实现了高精度和可扩展性，支持其作为客观DR OCTA生物标志物分析工具的潜力。