目的 应用Keratograph 5M综合眼表分析仪对低龄干眼儿童的眼表进行分析,探讨其在儿童干眼中的应用价值.方法 选择低龄干眼儿童患者44例,健康对照组26例,询问病史,并使用Keratograph 5M综合眼表分析仪测量泪河高度、第一次泪膜破裂时间(noninvasive first break-up time,NIKf-BUT)、平均泪膜破裂时间(noninvasive average break-up time,NIKavBUT),并行睑板腺形态学检查.结果 患儿组中,每天使用电子产品超过1h的比例最高,占68.18％.Keratograph 5M综合眼表分析仪各项参数中,患儿组NIKf-BUT(P =0.002)和NIKav-BUT(P =0.001)与对照组比较,差异无统计学意义.两组泪河高度比较,差异无统计学意义(P =0.794).睑板腺照相两组比较,差异无统计学意义(P =0.866).眼表分析仪各参数对照干眼诊断标准绘制ROC曲线,发现NIKf-BUT的AUC最高,为0.899(P=0.000),NIKav-BUT的AUC为0.883(P=0.000),泪河高度的AUC为0.693(P=0.030).结论 儿童干眼患者有其特殊的病史和临床特点,Keratograph 5M综合眼表分析仪因其无创性,易于为患儿所接受,适用于儿童干眼症患者,尤其是低龄儿童进行干眼诊断和病情随访.

目的:分析人眼的睑板腺形态学特征,探索睑板腺分析系统在眼表疾病的应用研究.方法:中山眼科中心入组正常受试者24例(42眼),进行睑板腺红外摄影.选取受试者中的10例(20眼)在同型号的设备上由二名操作员分别进行睑板腺红外摄影.图像通过自行设计的分析软件对上睑结膜中央5条腺体形态学参数进行定量分析,对数据进行重复性测试.结果:测量的生物参数腺体直径为(0.48±0.09)mm,腺体长度为(5.25±0.68)mm,腺体面积为(2.12±0.53)mm,腺体形变系数为10.01±3.85,显影值为6.32±1.23,中央五条腺体占中央区域面积百分比为(10.94±2.20)％,腺体占上睑结膜面积百分比为(58.07±8.13)％.各指标两次测量值差异无统计学意义(P>0.05).重复性分析结果显示:腺体各项生物参数的变异系数(coefficients of variation,CV)均小于5％,组内变异系数(intraclass correlation coefficient,ICC)均大于0.95.结论:睑板腺综合分析系统对腺体的形态学分析有良好的可靠性和一致性,有望为临床上对睑板腺腺体功能评估提供新的非侵入性参考指标.

目的 建立一个基于卷积神经网络(CNN)的人工智能(AI)系统,能够自动识别睑板腺的腺体,并评估睑板腺的各项形态参数.方法 由两位高级职称医师手动标注训练图像中的睑板腺,并使用U-Net网络构建了基于CNN的AI系统,该系统能够自动处理睑板腺图片,识别出睑板腺的单根腺体.选取2020年12月至2021年3月在温州医科大学附属眼视光医院杭州院区就诊的60例受试者,其中阻塞性睑板腺功能障碍(MGD)患者32例,健康志愿者28例,用AI系统自动计算其睑板腺图像的各项参数.比较两组受试者睑板腺功能指标和形态指标的差异.采用Pearson相关或Spearman秩相关分析睑板腺形态指标与功能指标的相关性.结果 与正常组比较,MGD组患者泪膜破裂时间减少,睑板腺表达能力评分降低,眼表疾病指数、睑缘异常评分和睑板腺评分均升高,平均上眼睑睑板腺长度、平均下眼睑睑板腺长度和平均全眼睑睑板腺长度均明显缩短,上眼睑睑板腺密度、下眼睑睑板腺密度和全眼睑睑板腺密度均明显减小,差异均有统计学意义(均P<0.01).相关分析显示睑板腺部分形态指标与部分功能指标之间均存在相关性(均P<0.05).结论 基于CNN的AI系统只需几十个训练实例就可以自动检测和识别睑板腺,是一个准确、高效的睑板腺形态学评价系统,能够对MGD患者的睑板腺形态进行快速准确的评价.

目的:构建一个基于卷积神经网络(CNN)的人工智能(AI)系统,能够全自动地评价睑板腺功能障碍(MGD)患者的睑板腺形态变化.方法:选取2021-01/11在温州医科大学附属眼视光医院杭州院区就诊的145名受试者右眼纳入研究.随机选择其中60名受试者的睑板腺照相用于AI训练.收集睑板腺图像后首先标注出睑板区域和每一根睑板腺腺体.使用残差神经网络(ResNet)结合U-Net模型进行数据训练,获得成熟的AI系统;85名受试者包括阻塞性MGD患者53名和睑板腺正常的志愿者32名,使用AI系统自动分析其各项睑板腺形态参数.同时观察临床指标包括眼表疾病指数(OSDI)、泪河高度(TMH)、泪膜破裂时间(TBUT)、角膜荧光素染色(CFS)、睑缘评分、睑板腺评分和睑板腺分泌能力评分.分析睑板腺参数与临床指标的相关性.结果:通过多次版本迭代,最终获得了交并比达92.0％的AI系统.使用该AI系统,发现上眼睑的睑板腺密度与OSDI(rs=-0.320)、TBUT(rs=0.484)、睑缘评分(rs=-0.350)、睑板腺评分(rs=-0.749)和睑板腺分泌能力评分(rs=0.425)存在显著相关性(均P<0.05);下眼睑的睑板腺密度与OSDI(rs=-0.420)、TBUT(rs=0.598)、睑缘评分(rs=-0.396)、睑板腺评分(rs=-0.720)和睑板腺分泌能力评分(rs=0.438)存在显著相关性(均P<0.05);总眼睑的睑板腺密度与OSDI(rs=-0.404)、TBUT(rs=0.601)、睑缘评分(rs=-0.416)、睑板腺评分(rs=-0.805)和睑板腺分泌能力评分(rs=0.480)存在显著相关性(均P<0.05).结论:基于CNN的AI系统是一个准确、高效的睑板腺形态学评价系统,能够方便地采用我们建立的睑板腺密度这一指标对MGD患者的睑板腺形态进行快速准确地评价.睑板腺密度这一指标比目前通用的睑板腺评分更精确,是评价睑板腺萎缩程度的全新定量指标.