编者按：角膜与眼表疾病的精细化、个体化管理已成为现代眼科临床实践的重要发展方向。目前诊疗过程中对医师经验的依赖，使得评估过程难以实现标准化，也难以建立系统性的风险预警机制。面对这一现状，将多模态临床数据与先进分析技术深度融合，构建高预测效能的量化评估工具，已成为推动眼科诊疗从经验导向向数据驱动转型的关键路径。在ASCRS 2026上，多项研究聚焦于人工智能算法、影像组学技术与临床指标的深度融合，展现了该领域的前沿探索方向，相关成果备受关注。

基于前节OCT的深度学习模型评估DMEK术后植片健康状况的性能研究

既往研究表明，前节光学相干断层扫描（AS-OCT）可高分辨率呈现角膜内皮与植片界面结构，已成为后弹力层内皮角膜移植术（DMEK）术后评估的重要影像工具，而结合人工智能的图像分析方法有望进一步提高评估的客观性与效率。故Emine Esra Karaca等人基于AS-OCT图像构建深度学习模型，旨在评估DMEK术后植片健康状况及潜在失功风险。研究共纳入65例患者的7814张AS-OCT图像，划分为训练集（7640张，含5187张健康类与2453张异常类）、验证集（1536张，含1058张健康类与478张异常类）及测试集（1500张，含1000张健康类与500张异常类），采用EfficientNet-B5分类器进行微调并在测试集上评估模型性能。

结果显示，测试集（n=1500）总体准确率达95%。健康植片类别（n=1000）的精确率为0.96、召回率为0.97、F1分数为0.96；植片失功类别（异常类，n=500）的精确率为0.93、召回率为0.93、F1分数为0.93。宏平均精确率、召回率与F1分数均为0.95。尽管存在约2:1的类别不平衡，该模型在两类间均展现出均衡且优异的判别性能，可有效区分健康与失功风险植片。

综上，基于AS-OCT的深度学习模型能够以较高准确率识别DMEK术后植片状态，为早期临床干预提供支持，未来需通过更大规模临床试验进一步验证其在常规诊疗流程中的适用性。

标题：Deep Learning Model for Assessing Post-DMEK Graft Health and Identifying Treatment Needs: a Performance Evaluation Using Anterior Segment OCT

作者：Emine Esra Karaca, Ozlem Evren Kemer,Ali Seydi Keçeli, Aydın Kaya, Feyza Dicle Işık,Fatih Şen, Hamdi Yalın Yalıç, Dilara Altun, Ayça Bulut Ustael, Alaettin Uçan, Alpaslan Mete Karaca, Ali Yaşar Yiğit, Adem Ali Yılmaz

基于Scheimpflug-OCT的泪膜厚度定量分析及其在圆锥角膜评估中的意义

泪膜厚度是评价眼表稳态与视觉质量的重要生物参数，而圆锥角膜患者常存在眼表微环境紊乱与泪膜动力学异常。近年来，高分辨率前节OCT技术的发展为在体、无创的泪膜结构可视化与定量评估提供了新途径，但对其在早期圆锥角膜中的特征及其与炎症标志物的关联尚未系统阐明。为量化早期圆锥角膜与健康眼的泪膜厚度，并探究其与泪液生物标志物的相关性，Stuti Chamola等人开展了一项前瞻性、病例对照、单中心研究。研究基于Scheimpflug原理的Pentacam OCT成像系统，该系统具备约1.4μm的轴向分辨率和12mm扫描直径，配合自定义的边缘检测与分割软件，能够实现高精度泪膜厚度测量。研究共纳入100只眼，分为早期圆锥角膜组与健康对照组，采集25幅径向OCT B扫描图像，并检测泪液中8种生物标志物，进一步构建AI预测评分。

结果显示，在中央5mm区域内，圆锥角膜组的平均泪膜厚度为3.09μm，健康组为3.16μm。随着分析区域扩大，圆锥角膜组的平均泪膜厚度显著降低（P<0.05）。所有检测的泪液生物标志物在圆锥角膜眼中均呈现升高趋势，其中MMP-9与AI预测评分呈显著正相关（斯皮尔曼相关系数r=0.684，P=0.0291）。

综上，这种基于Scheimpflug的成像技术为定量评估泪膜厚度及探究其与眼部炎症的关联提供了新手段。结合生物标志物与AI分析，该策略有望为圆锥角膜的病情监测与干预提供新依据。

标题：Optical Assessment of Tear Film Thickness in Healthy and Keratoconic Eyes Using Scheimpflug OCT Imaging

作者：Stuti Chamola, Rohit Shetty, Abhijit S ROY, Apeksha M. Kataria,Rahul P. Patil

DROP评分系统的开发、验证及其临床应用价值分析意义

DMEK已成为治疗角膜内皮疾病的重要术式，但其临床结局受多重因素影响，具有较大变异性。目前临床实践中缺乏可系统整合多维度参数的个体化风险评估工具，限制了术前精准规划和术后精细化管理。为此，Emine Esra Karaca等人开发了DMEK风险与结局预测（DROP）评分模型，该模型构建了一个包含四个维度的综合评价体系：患者风险特征、供体组织质量、手术复杂度指数及手术中心效能因子。各子评分经加权整合为复合风险评分，可用于预测植片存活、视力恢复等关键临床结局。该模型基于Python实现，并通过基于文献特征生成的500例合成病例数据集进行了内部验证。

验证结果显示，DROP评分模型在二元结局预测中表现出良好的区分能力，其中1年植片失败、术后再注气及排斥反应的受试者工作特征曲线下面积（AUC）分别为0.782、0.763和0.741。在连续结局预测方面，模型预测值与实际观测值呈现中至强相关性（12个月最佳矫正视力r=0.684，12个月内皮细胞丢失率r=0.712）。该模型可将患者分为四个明确区分的风险层级，各层级间临床结局差异显著。敏感性分析明确了各预测变量的相对权重，蒙特卡洛模拟进一步量化了模型预测的不确定性范围。

综上，DROP评分系统是DMEK手术标准化评估的重要进展，为个体化风险评估与结局预测提供了系统化框架。该模型在临床实践中具有多重应用价值，包括术前规划、知情同意、风险调整结局报告、手术决策及患者选择等。

标题：The DMEK Risk and Outcome Prediction (DROP) Score: A Novel Benchmarking Model for Descemet Membrane Endothelial Keratoplasty

作者：Emine Esra Karaca, Kasım Öztoprak, Feyza D. Isik, Ozlem Evren Kemer, Ayça Bulut Ustael

总结

将前沿成像技术、多维度数据与人工智能分析深度融合，是突破当前眼科精准诊疗瓶颈的必然趋势。未来研究需在现有基础上，进一步致力于多中心、前瞻性大样本数据的验证，以增强模型的普适性与稳健性。同时，推动算法模型向用户友好、决策透明的临床辅助工具转化，并探索其与电子病历系统、诊疗路径的无缝整合，是实现其真正临床价值、最终构建智能化、个性化眼科诊疗生态系统的核心路径。

来源：ASCRS 2026官网

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。