深度学习辅助的广场内皮成像在Descemet膜内皮角质形成中
Ezekiel Ze Ken Cheong1,2, Khin Yadanar Win3,4, Qiu Ying Wong3
1Ophthalmology and Visual Sciences Academic Clinical Programme, Duke-NUS Medical School, Singapore, Singapore.
Frontiers in medicine
|December 4, 2025
概括
深度学习算法可以评估广场光谱显微镜图像,以检测Descemet膜内皮质角质成形 (DMEK) 后内皮细胞密度的损失. 这项技术有助于通过评估中心,偏中心和外围角膜区域来监测移植健康和存活率.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 德塞梅特膜内皮质角质成形 (DMEK) 移植失败可能是由显著的内皮细胞密度 (ECD) 损失造成的.
- 目前对角膜内皮的临床评估仅限于中心区域,忽视了近中心和外围区域.
- 广场光谱显微镜 (WFSM) 为更广泛的内皮评估提供了潜力.
研究的目的:
- 评估用于自动化图像质量评估的深度学习 (DL) 算法.
- 通过使用DMEK后的WFSM图像检测中部,偏中部和外围区域的低角膜ECD.
- 评估DL辅助WFSM在监测内皮健康和移植存活方面的有用性.
主要方法:
- 一项前性观察性研究,涉及具有清晰,稳定的DMEKs的眼睛.
- 在基线和DMEK后6个月内,WFSM成像捕捉了15个位置 (中心,准中心,外围).
- 基于SqueezeNet的DL模型用于自动化图像质量和低ECD检测 (<1,000个细胞/mm2).
主要成果:
- DL模型在图像质量方面实现了高AUC (0.979二进制,0.907多类) 和低ECD检测 (0.980).
- 在WFSM检测到显著的中心ECD损失 (1,709对1,555细胞/mm2) 和外围ECD损失 (1,498对1,347细胞/mm2).
- 在DMEK后的稳定阶段,年平均中央ECD损失估计为5.81%.
结论:
- 序列WFSM有效地对DMEK眼中的更大的内皮细胞区域进行成像.
- DL算法有助于识别足够质量的扫描和检测基于值的ECD损失.
- DL辅助的WFSM显示出早期检测ECD损失的前景,支持内皮健康监测和移植存活.
