编者按：当前，眼内炎症性疾病因多种复杂因素影响而呈现高发态势，其引发的视力损害及眼部并发症严重影响患者生活质量，在此背景下，前房炎症（ACI）的精准识别与定量评估已然成为眼科领域备受瞩目的前沿研究课题。在第二十九届全国眼科学术大会（CCOS 2025）的学术交流舞台上，深圳市眼科医院迟玮教授分享了其团队在该领域的最新研究进展。迟玮教授团队聚焦于ACI诊断过程中存在的重重难题，开展了一项极具创新性的多中心研究，他们将前节光学相干断层扫描（AS-OCT）技术与先进的深度学习模型深度融合，成功开发出一套自动化分析方法。这一研究成果为ACI的诊断提供了新的有效手段，有望为眼病患者带来更精准、高效的诊疗方案。

专家简介

迟玮 教授

深圳市眼科医院 南方医科大学深圳眼科医学中心院长、教授、主任医师、博导

教育部长江学者特聘教授

美国Baylor医学院博士后

广东省杰出青年医学人才、全国百优提名奖获得者

中国医师协会眼科医师协会专委会委员

中国女医师协会眼科分会委员

广东省医学会理事

广东省康复医学会理事

发表SCI论文85余篇，以通讯/第一作者发表SCI 48篇，影响因子大于10分以上的16篇，包括Nat Genetics、Mol Cell、Nat Commun、PNAS、J Allergy Clin Immunol 、 BMJ、Mol Neurodeger、J Am Chem Soc、Prog Retin Eye Res、Adv Sci等权威医学期刊。

主持国家重点研发、国自然重点项目、国自然区域联合重点项目等国家级基金6项及省部级基金12项。

获得广东省科技进步奖一等奖、中国女医师协会五洲女子科技奖-临床医学科研创新奖，作为主要参与人获得国家科学技术进步奖二等奖、中华医学会科技奖一等奖、广东省科技进步奖一等奖、教育部科技进步奖一等奖等奖项。

研究背景及目的

ACI的准确识别与定量评估，对葡萄膜炎、青光眼、眼内炎等眼内炎症性疾病，以及眼内手术引发炎症的诊断、严重程度评估和病情进展判断意义重大。及时精准评估ACI，有助于为患者选择最佳的治疗方案。当前，临床普遍采用葡萄膜炎命名标准化（SUN）评分系统，借助裂隙灯图像对ACI分级。但该系统存在明显弊端，缺乏客观性：其属于主观估算，依赖医师个人能力；受裂隙灯光带亮度及大小的影响；受室内光线条件影响。临床上虽存在激光房水闪辉仪这类客观定量仪器，但价格昂贵、操作复杂、应用范围窄，难以广泛用于临床。鉴于上述情况，临床上迫切需要新的方法对眼前段炎症进行标准、定量分析。基于此，迟玮教授团队提出科学问题：“是否存在一种客观的ACI分级量化方法？”

为回答该问题，迟玮教授团队采用前节光学相干断层扫描（AS-OCT）进行ACI测量。AS-OCT作为无创检测设备，近年已被应用于ACI评估。迟玮教授团队已发表的研究及既往成果表明，通过计算代表房水细胞的高反射点数量，以及用于房水闪辉定量分析的光学密度比（房水与空气相对强度，ARI指数），AS-OCT能实现ACI的客观定量分析。然而，现有针对房水细胞和闪辉的自动化分析方法仅适用于单一OCT设备，且存在精确度不足的局限。因此迟玮教授团队进一步提出："不同OCT设备（包括SD-OCT与SS-OCT）的测量结果是否存在一致性？是否存在能客观精准识别和量化ACI的自动化方法？"

研究设计与方法

迟玮教授团队进行了一项多中心研究，训练数据集包含1208张SD-OCT或SS-OCT图像，采集自深圳市眼科医院、中山大学中山眼科中心；内部验证数据集有556张图像，采集自中山大学中山眼科中心；外部验证数据集含480张图像，采集自温州眼科医院；测试数据集有640张图像，采集自中山大学中山眼科中心、深圳市眼科医院及温州市眼科医院三家医疗机构。此外，研究还将人工智能（AI）模型的诊断性能与不同年资眼科医师（住院医师、高年资医师及专家级医师）的诊断水平进行了对比。

研究采用临床实践中主流的两种光学相干断层扫描（OCT）设备进行眼部检查：扫频源OCT（SS-OCT）和频谱域OCT（SD-OCT）。所有采集的OCT图像均采用统一分辨率标准（72像素/英寸）。针对每只受检眼，通过水平扫描获取4幅间隔均匀（每45°间隔）的OCT图像。在前节光学相干断层扫描（AS-OCT）图像中，高反射点和ARI指数分别代表房水中的细胞和房水闪辉。

迟玮教授团队基于深度学习模型开发了一种自动化分析方法，可根据三种不同类型的AS-OCT成像结果，量化高反射点的数量和ARI指数。整个过程分为两个步骤：

第一步——区域划分

由于SS-OCT和SD-OCT的扫描范围和分辨率存在差异，迟玮教授团队开发了两种方法来处理这两种图像。

• 对于SS-OCT图像，使用U-Net网络对前房区域进行分割（图1A），获取前房与角膜之间的边界，并将该边界的两个端点作为前房角的坐标点（图1B）。在前房中心定义一个2㎜×4㎜的矩形区域，即Box 1，用于计算高反射点的数量和房水强度，该矩形区域的长边靠近边界且与前房角线平行（图1C）。最后，在图像的左上角定义一个1㎜×2㎜的矩形区域，即Box 2，用于计算空气强度（图1D）。

• 对于SD-OCT图像，对图像中的角膜进行分割（图2A），并指定一个2㎜×4㎜的矩形区域作为Box 3，该矩形区域紧贴角膜后缘，其长边与整个图像的底边平行（图2B）。其次，在图像的左上角和右上角分别指定两个0.25㎜×0.5㎜的矩形区域作为Box 4和Box 5，用于后续的空气强度计算（图2C）。

第二步——特征量化

自动分析系统对三种典型AS-OCT图像中高反射点数量（图3A-C）与ARI指数（图3D-F）的量化分析。

研究结果

一、数据集的基线特征

二、训练数据集中三种AS-OCT图像经AI模型量化的高反射点数量及ARI指数与SUN分级之间的相关性

• 在三种AS-OCT图像中，高反射点数量与ARI指数均与SUN细胞分级及闪辉分级呈正相关；

• 经AI模型量化的高反射点数量与ARI指数，在不同类型AS-OCT设备间均展现出良好的重复性与可重复性。

三、训练数据集中三种AS-OCT图像经AI模型量化的高反射点与ARI指数诊断ACI的ROC曲线

经模型量化的SS-OCT（CASIA1/2）与SD-OCT（Visante）图像中高反射点及ARI指数的曲线下面积（AUC）均表现优异，表明二者均为诊断 ACI 的有效指标。

四、AI模型在验证数据集中的性能表现

在验证数据集中测量高反射点与ARI指数，以验证AI模型对SUN细胞分与闪辉分级的诊断效能。AI模型在两种分类任务中均展现出良好的诊断效能，尤其在细胞分级方面表现突出。

五、AI模型与眼科医师在前瞻性测试数据集中的效能对比

• AI模型可显著提升低年资医师对SUN分级系统中轻度ACI （临床易漏诊/误诊）的诊断准确性。

• AI模型对各等级的诊断准确率与高年资医师相当。

研究结论

本研究为ACI的诊断与客观评估提供了一种创新、便捷且精准的新工具，为不同经验水平的临床医师制定适宜治疗方案提供客观指导。尤其是对于初级眼科医师，迟玮教授团队构建的AI模型可助其提升对轻度ACI的诊断能力，此类损伤在临床实践中常被忽视或误诊。

参考文献：
Tsui E, Chen JL, Jackson NJ, et al. Quantification of Anterior Chamber Cells in Children With Uveitis Using Anterior Segment Optical Coherence Tomography. Am J Ophthalmol. 2022;241:254-261.  

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。