编者按：视觉和眼科学研究学会（ARVO）年会一直是汇聚全球顶尖科研成果、引领学科前沿发展的重要平台。5月4日~8日，ARVO 2025年会如期在美国盐湖城举行，众多眼科学者齐聚一堂，分享最新的研究进展。其中，一项关于《基于深度学习的后部反光照明图像进行皮质性白内障严重程度分类》的研究格外引人注目，为皮质性白内障的诊断与治疗带来了新的希望。

皮质性白内障作为常见的致盲性眼病，其严重程度的准确分类对于制定个性化的治疗方案至关重要。传统上，眼科医师主要依靠裂隙灯显微镜等设备进行主观评估，但这种方法存在一定的局限性，如不同医师之间的诊断标准可能存在差异，且对细微病变的识别能力有限。随着人工智能技术的飞速发展，深度学习在医学图像分析领域展现出了巨大的潜力。它能够从大量的图像数据中自动学习特征，实现对疾病的精准分类和诊断。基于此，来自韩国的研究团队开展了这项基于深度学习的皮质性白内障严重程度分类研究。

研究团队首先邀请了两名经验丰富的眼科专家，依据LOCSIII标准，使用裂隙灯显微镜拍摄的后部反光照明图像，将皮质性白内障分为正常、轻度、中度和重度四个等级。在数据预处理阶段，研究团队对图像进行了优化和病变掩膜处理，以提高图像质量并突出病变特征。随后，他们应用了具有多种核的卷积神经网络（CNN）模型对白内障的严重程度进行分类。为了全面评估模型的性能，研究团队采用了精确率、灵敏度、F1分数和准确率等多个指标，并通过分析受试者工作特征（ROC）曲线进行更详细的性能评估。

该研究使用了2017年1月至2020年12月期间收集的293张后部反光照明图像进行模型训练，其中正常图像80张、轻度图像82张、中度图像80张、重度图像51张。训练集和测试集的数据构成比例为4:1。测试结果显示，该模型在测试集上的总体准确率为74%。ROC曲线分析进一步表明，该模型在识别白内障方面具有良好的性能。在ROC曲线中，正常和重度的准确率较高，分别为0.93和1.0，轻度和中度的准确率相对较低，分别为0.78和0.87，这提示模型在区分这两个相邻等级时可能存在一定的挑战。此外，基于图像预处理的性能结果显示，通过优化图像和病变掩膜处理，模型的性能从48%提升至74%。

研究结论

尽管该研究的数据集相对较小，但研究团队通过使用基于LOCSIII的后部反光照明图像，并结合有效的图像预处理方法，在四步分类中达到了74%的准确率。这一结果表明，深度学习算法模型在皮质性白内障严重程度分类方面具有临床意义。它能够帮助眼科医师更准确地判断患者的病情，尤其是清晰地区分正常患者和需要手术的重度患者，从而为患者制定更加个性化的治疗方案。

临床启示

ARVO 2025 年会上的这项研究为皮质性白内障的诊断与治疗开辟了新的道路，展示了深度学习在眼科学领域的巨大潜力。相信随着数据集的不断扩大和算法的持续优化，深度学习在皮质性白内障诊断中的应用前景将更加广阔。研究人员可以进一步收集更多的高质量图像数据，涵盖不同种族、年龄和病情的患者，以提高模型的泛化能力。同时，结合其他先进的医学影像技术和临床信息，有望构建更加全面、准确的诊断模型，为白内障患者带来更好的治疗效果和生活质量。

标题：Cortical Cataract Severity Classification of Anterior Segment Retro Illumination Images Using Deep Learning

作者：won seok song, dong hui lim, Yeokyoung Won, Seung Hye An

声明：本文仅供医疗卫生专业人士了解最新医药资讯参考使用，不代表本平台观点。该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议，如果该信息被用于资讯以外的目的，本站及作者不承担相关责任。