基于纹理分析的角膜动态检测技术在早期圆锥角膜诊断中的应用
摘要
该研究提出了一种名为CVS-omics的放射组学框架，利用Corvis ST成像和机器学习技术，以实现对早期圆锥角膜（FFKC）的精准识别。研究纳入了410只眼睛的数据，包括265只正常眼和145只FFKC眼。通过提取三个关键变形阶段（初始状态、第一次压平和最大变形）的纹理特征，并训练三种机器学习模型（随机森林、C5.0和XGBoost），最终在82只眼睛上进行了测试。结果显示，CVS-omics随机森林模型表现出卓越的诊断性能（AUC = 0.989，敏感性 = 0.931，特异性 = 0.962，准确性 = 0.951），显著优于传统的生物力学参数（最佳AUC = 0.764）。此外，基于三个变形阶段特征的模型比单一阶段特征的模型具有更高的诊断准确性。其他模型也展示了动态放射组学特征的高度泛化能力（XGBoost和C5.0 AUC > 0.83）。研究表明，CVS-omics能够有效检测FFKC眼中的细微特征变化，其准确度远超传统方法。
信息来源： PubMed Ophthalmology 发布于 2026年2月1日
要点速览
- CVS-omics框架使用Corvis ST成像和机器学习技术，实现了对早期圆锥角膜的精准识别。
- 随机森林模型在诊断性能上显著优于传统生物力学参数，AUC达到0.989。
- 基于三个变形阶段特征的模型比单一阶段特征的模型具有更高的诊断准确性。
本站解读
这项研究揭示了基于纹理分析的角膜动态检测技术在早期圆锥角膜诊断中的巨大潜力，标志着眼科诊断技术路线的重大变革。CVS-omics框架不仅提高了诊断的准确性，还为临床医生提供了更为可靠的非侵入性工具。从商业格局来看，这一技术的进步可能会重塑现有的竞争生态，尤其是对于那些依赖传统生物力学参数进行诊断的企业来说，护城河正在逐渐消失。国内外的研发管线中，类似的放射组学和机器学习结合的技术正逐渐成为主流，但目前国外企业在这一领域的进展似乎更为迅速。未来，随着更多数据的积累和技术的进一步优化，这种基于多阶段纹理特征的诊断方法有望成为行业标准。值得关注的是，后续的研究将如何验证这些模型在不同人群中的适用性和稳定性，以及是否能进一步提高其诊断性能。
常见问题
这项研究对患者有什么好处？
这项研究提供了一种更准确、非侵入性的方法来检测早期圆锥角膜，有助于及时干预和治疗。如有疑虑可咨询眼科医生。
这项技术什么时候可以广泛应用？
目前这项技术还在研究阶段，具体何时能广泛应用还需进一步验证和审批。如有疑虑可咨询眼科医生。
延伸阅读
糖尿病视网膜病变早期诊断的自动化系统
该研究旨在开发一种基于眼底图像的自动化诊断系统，用于早期检测糖尿病视网膜病变（DR）。通过识别渗出物、出血和微动脉瘤等特征，结合小波变换边缘增强、高斯混合模型聚类以及机器学习算法（如随机森林分类器和多层感知机神经网络）进行特征提取和分类。研究使用了IDRiD数据集和Kaggle数据集中的眼底图像，结果显示，基于随机森林的分类系统在检测DR病灶方面达到了95.08%的敏感性、86.67%的特异性和95.20%的整体准确性。这一方法为大规模筛查提供了高精度、自动化且可扩展的解决方案，尤其适用于眼科专业资源有限的地区。
机器学习优化甲亢放射性碘治疗
针对Graves'病（GH）的放射性碘（RAI）治疗尽管是标准疗法，但因个体反应复杂导致失败率较高。传统固定剂量或简单计算剂量方法难以考虑临床特征间的非线性相互作用。研究通过回顾分析1,292名患者的数据，采用逐步回归和多种机器学习算法，最终确定了九个最优预测因子，并发现随机森林模型在预测RAI疗效方面表现最佳，AUC达到0.950，Brier得分为0.067。SHAP分析进一步确认了RAIU 3h、FT4、年龄和甲状腺重量是最具影响力的特征。该框架为个性化精准治疗提供了有力工具。
术中OCT预测ICL植入后拱高：机器学习模型的建立与应用
该研究旨在通过术中光学相干断层扫描（iOCT）数据，开发一种机器学习（ML）模型，以预测ICL植入后的拱高，并指导实时调整ICL位置以优化拱高结果。研究在陕西省眼科医院等机构进行，前瞻性地收集了106名患者（158只眼）的数据。术后拱高通过前段OCT在术后1天、1周和1个月随访时评估。随机森林算法在多个误差阈值下表现出色，平均绝对误差（MAE）为106.48 ± 19.23 μm，均方根误差（RMSE）为141.37 ± 24.87 μm。预测准确性在不同误差阈值下分别为62.9%（±50 μm）、85.9%（±100 μm）、94.9%（±150 μm）、97.2%（±200 μm）和98.9%（±250 μm）。研究表明，iOCT能够准确测量术中拱高，并可靠预测术后拱高，从而提供了一种客观、数据驱动的方法来优化ICL手术中的位置调整。