《Contact Lens and Anterior Eye》：TearNET: Validation of a convolutional neural network for grading of tear ferning patterns using deep learning
编辑推荐：
泪膜结晶模式自动分级研究：TearNet模型验证与影响因素分析。本研究通过收集80名健康参与者（160眼）泪膜结晶图像，训练卷积神经网络模型TearNet实现Rolando分级自动化。结果显示模型准确率达81%，年龄（p<0.001）和性别（p<0.001）显著影响泪膜结构，环境温湿度无显著相关性。该模型为干眼症筛查提供了自动化解决方案，但仍需优化相似模式分类能力。
作者：Anantha Krishnan、Pranay Gundeti、Nagaraju Konda
研究机构：海得拉巴大学医学院科学学院，科学综合大楼，C.R Rao路，特伦甘纳邦，500046 Gachibowli，海得拉巴，印度
摘要
目的
泪液结晶图案是在泪液中的溶剂蒸发后，溶质聚集形成的类似蕨类植物的晶体结构。这些结晶图案受泪液生物分子特性的影响，可用于干眼症（DED）的筛查。然而，基于Rolando分级系统对泪液结晶图案的手动评分存在主观性和不一致性。本研究旨在验证TearNET——一种基于卷积神经网络的深度学习算法，以实现泪液结晶图案的自动化评分。
方法
收集了80名健康参与者（共160只眼睛）的泪液样本，并在显微镜下观察其结晶图案。两名评估者独立对样本进行了评分，以确认评分的可靠性。同时记录了参与者的年龄和性别以及样本采集时的实验室温度和湿度。TearNET模型使用70%的训练数据和30%的测试数据进行训练，并评估了模型的敏感性、特异性、召回率和F分数。
结果
泪液结晶图案与年龄（p < 0.001）和性别（p < 0.001）有显著差异。室温及湿度的变化对泪液结晶图案没有显著影响（p > 0.05）。TearNET模型在分类结晶图案方面的准确率为81%，尤其是在类型3和类型4的评分上表现优异。
结论
总体而言，TearNET模型在根据Rolando分级标准对泪液结晶图案进行分类方面表现良好，尤其是在区分不同等级的图案时表现突出。该模型显示出有效的训练收敛性，验证了其在干眼症筛查中的临床应用潜力。
引言
泪液对眼睛的润滑和健康至关重要，它由水、脂质、黏蛋白以及泪腺和Meibomian腺等腺体产生的生物分子组成[1]、[2]、[3]、[4]。泪液任何一层的中断都可能导致干眼症（DED）[5]。干眼症影响了全球5%至50%的人口，在女性中更为常见，这可能与激素因素有关[6]、[7]、[8]、[9]、[10]。其他影响因素包括自身免疫疾病、激素替代疗法、衰老、环境因素和生活方式选择[9]、[10]、[11]、[12]、[13]、[14]、[15]。
干眼症的经济负担沉重，每年给美国医疗系统造成38.4亿美元的损失[16]、[17]。患有干眼症的人的生活质量也受到严重影响，尤其是Sj?gren综合征患者，他们的生活质量评分更低[18]。此外，全球范围内眼科护理专业人员的短缺（平均每百万人仅18名）进一步加剧了这一问题，导致治疗延误[19]。尽管如此，由于检测方法不可靠以及症状之间的关联度低，诊断仍面临挑战[20]、[21]。分析泪膜的生物化学特性具有潜力，但其临床应用受到成本和样本量有限的限制[3]。相比之下，泪液结晶（TF）测试是一种简单且经济有效的方法，可以提供关于泪膜生物化学的信息，并将泪液质量与渗透压相关联[3]、[22]、[23]、[24]、[25]。
TF图案在干燥过程中会形成独特的蕨类植物状结构[3]。1984年，Rolando提出了一种将TF图案分为四类的方法（类型1 > 类型2 > 类型3 > 类型4），其中泪液的质量随着等级的升高而恶化[3]、[22]。研究表明，基础泪液和反射泪液样本的结晶图案相似，并且全天保持一致[26]、[27]。这表明在正常条件下泪液的化学成分稳定，也证明了TF分析的高度重复性[26]、[27]。年龄、性别、激素变化以及甲状腺疾病或糖尿病等潜在健康状况会显著影响泪液质量，从而影响结晶图案[26]、[28]、[29]。因此，TF图案可能成为监测这些生理和病理参数的宝贵生物标志物。
尽管TF测试在筛查方面具有显著优势，但仍需进一步研究以全面了解性别、年龄、温度和湿度等混杂因素的影响。关于性别和年龄对TF图案的影响存在争议，一些研究并未发现性别和年龄组之间的显著差异[25]、[30]。结晶图案会因环境因素（如湿度和温度）而变化[31]。Masmali等人（2014年）建议泪液结晶测试的理想温度为20°–26°C，室内湿度（rH）不超过50%[3]、[31]。由于TF测试是主观评分的，容易出错且评估者之间存在差异。然而，使用人工智能（AI）模型自动化测试可以提高一致性并减少错误。
本研究旨在验证卷积神经网络是否能够使用受控的临床数据集可靠地分类泪液结晶图案。鉴于需要专门的成像设备、专家评分和标准化的样本制备，主要目标是确定在受限临床条件下自动化泪液结晶分类的可行性。
AI是指能够执行通常需要人类智能的任务的机器，例如识别模式和做出决策[32]、[33]。机器学习（ML）和深度学习（DL）是AI的子集。ML使系统能够从数据中学习并随时间改进，而DL利用神经网络分析复杂数据。卷积神经网络（CNN）作为一种DL模型，有助于处理视觉数据并提高青光眼、近视和糖尿病视网膜病变等疾病的检测能力[34]、[35]。这些模型可以用于分类TF图案，从而实现泪液质量评估的自动化。因此，本研究旨在开发一个名为“TearNet”的CNN模型，以实现泪液质量评估的自动化，并评估基于Rolando分级系统对结晶图案分类的有效性和准确性。
部分内容摘录
纳入标准
共有49名男性（平均年龄：26.5 ± 9.81岁）和32名女性（平均年龄：20.87 ± 3.44岁）参与了本研究。其中一名参与者因眼部病变被排除，最终共有160只眼睛用于分析。在纳入研究之前，研究人员询问了参与者是否有系统性疾病史、眼部病变史、既往眼部或全身手术史、头部或眼部外伤史以及当前用药情况。所有参与者的双眼最佳矫正视力均为20/20。
人口统计学及年龄和性别的影响
分析了80名参与者共160只眼睛的数据。根据Rolando的分级标准，将TF图案分为四种类型：29个样本属于类型1（年龄：22.1 ± 6.68岁），23个样本属于类型2（年龄：20.83 ± 2.66岁），21个样本属于类型3（年龄：28.80 ± 8.32岁），7个样本属于类型4（年龄：36.14 ± 13.74岁）。
研究了不同TF等级下的非侵入性泪液破裂时间（TBUT）、泪膜高度（TMH）和眼部表面疾病指数（OSDI）得分。
讨论
本研究开发并评估了一个名为TearNet的深度学习模型，用于使用Rolando分级标准对TF图案进行分类。结果表明，该模型在识别TF图案方面表现良好，显示出在干眼症筛查中的临床应用潜力。在评估模型的稳健性和适用性时，考虑了年龄、性别、环境条件等多个关键因素。
结论
本研究证明TearNet深度学习模型能够根据Rolando分级标准有效分类TF图案，总体准确率为81%。年龄和性别对TF图案有显著影响，而环境因素（如室内湿度）则没有显著影响。TearNet模型在干眼症筛查中具有临床应用潜力，但需进一步改进以优化对相似TF图案的分类并解决混淆因素。
科学写作中关于生成式AI的声明
我们声明，在本手稿的写作过程中使用生成式AI和AI辅助技术仅是为了提高文本的可读性和语言表达。该技术的应用是在严格的人类监督和控制下进行的，作者对内容进行了彻底的审查和编辑，以确保其准确性和完整性。作者对最终内容的完整性和准确性负全责。
数据来源
所有泪液结晶图像均在海得拉巴大学医学院的眼表与接触镜实验室中使用Magnüs相位对比显微镜（型号：CH20iLED，配备Magnüs Magcam-DC5数码相机）在10倍光学放大倍率和40倍光学变焦下拍摄。数据集存储在本地，可通过联系通讯作者进行访问和查看。
利益冲突声明
作者声明，他们没有已知的可能影响本文研究的财务利益或个人关系。
致谢
我们感谢海得拉巴大学医学院的Geeta K Vemuganti博士提供研究设施的支持。本研究得到了海得拉巴大学卓越研究所（UoH-IoE-RC4-21-023）、科学技术部科技基础设施改进基金（DST-FIST 2019 TPN-32826）以及卓越研究所（IoE）博士后研究奖学金（授权号：97160066）的支持。
