基于深度学习的移动端应用：助力眼睑肿瘤高效识别，开启眼健康管理新篇

《npj Digital Medicine》：Deep learning-based mobile application for efficient eyelid tumor recognition in clinical images

为解决眼睑肿瘤早期检测、定期监测及术后复发监测难题，减轻患者就医负担，研究人员开展了基于 YOLOv5 和 Efficient-Net v2-B 架构的深度学习移动应用研究。该应用对眼睑肿瘤识别准确率达 0.921，优于普通医生等，为相关检测和监测提供新途径。

　　在眼科疾病的领域中，眼睑肿瘤的诊疗一直面临着诸多挑战。早期发现、对眼睑肿瘤进行定期监测以及及时察觉术后复发，这些对于患者的健康来说至关重要。然而，对于那些医疗条件较差的患者而言，频繁前往医院就诊是一项沉重的负担。并且，由于眼睑肿瘤在早期阶段特征重叠，眼科医生仅靠肉眼很难进行准确的鉴别诊断。不同类型的眼睑肿瘤，起源不同，治疗方案也大相径庭。例如良性的色素痣（Nevus pigmentosus），部分患者会因美观问题选择切除，也有患者会采取保守治疗；而皮脂腺癌（SGC）则需要手术切除，它虽然发病率低于基底细胞癌（BCC），但侵袭性更强、致癌风险更高。恶性肿瘤若不能及时干预，转移和复发风险会显著增加，甚至会扩散至眼眶、颅内或全身。所以，开发一种方便、高效的眼睑肿瘤检测方法迫在眉睫。

为了解决这些问题，首都医科大学附属北京同仁医院等机构的研究人员展开了深入研究。他们开发并验证了一款基于智能手机的应用程序 ——“智能眼睑肿瘤筛查系统（Intelligent Eyelid Tumor Screening System）”，利用眼部临床照片来识别眼睑肿瘤，相关研究成果发表在《npj Digital Medicine》上。

在研究过程中，研究人员使用了多种关键技术方法。首先是图像采集，数据来自 2014 年 1 月至 2022 年 12 月在北京同仁医院因发现眼睑肿瘤而就诊的患者，通过数字相机和多种智能手机在不同场景下拍摄眼部照片。接着进行图像预处理，将所有图像调整为 640×640 像素的分辨率，并筛选出合格图像，依据组织病理学诊断进行标注。然后运用了两种模型架构，基于 YOLOv5 框架进行眼部定位，利用 EfficientNet v2-B 框架进行三分类（正常眼、良性肿瘤、恶性肿瘤）模型训练。

下面来看具体的研究结果：

1. 数据收集与患者特征：研究共收集了 616 例患者的 1195 只眼睛的数据用于训练、微调及内部验证 AI 系统。患者平均年龄 59.3±17.5 岁，男性占 63.76%。良性肿瘤患者 410 例（427 只眼），恶性肿瘤患者 206 例（206 只眼），正常眼 562 只。常见恶性肿瘤为 BCC（38.35%）、SGC（22.81%）等；常见良性肿瘤为痣（54.10%）、囊肿（7.26%）等12。
2. 模型性能评估：基于 YOLOv5 的检测模型在眼部定位任务中的平均精度均值（mAP）为 0.95，F1 分数为 0.99。在内部验证集上，三分类模型的精度、召回率和 F1 分数的宏观平均值均为 0.87。在外部验证集上，定位和分类组合模型的准确率为 0.921，灵敏度为 0.882，特异性为 0.952，曲线下面积（AUC）为 0.9173。
3. 应用程序功能：开发的 “智能眼睑肿瘤筛查” 微信应用程序操作简便，用户按照指示即可完成识别过程，还能查看历史记录、了解常见眼睑肿瘤知识、在线预约线下检查，专业人员也可通过内部账户查看和记录医疗数据4。

在研究结论和讨论部分，该研究开发的智能手机应用程序为眼睑肿瘤的检测和识别提供了全面、定量的技术手段。在外部数据集上 AUC 达到 0.917，在不同环境下使用均表现可靠、稳定。不过，研究也存在一定局限性，如仅使用单一静态图像、未结合临床信息、数据集代表性不足、存在伦理问题等。尽管如此，这款应用程序仍具有重要意义，它能在 2 秒内识别眼睑肿瘤，识别灵敏度可达 88%，特异性达 95%，随着数据的不断学习，性能还可进一步提升。它为医疗保健专业人员、患者和护理人员提供了一种检测和监测眼睑肿瘤的新选择，有望减少患者频繁就医的麻烦，为眼睑肿瘤的早期诊断和治疗开辟新的道路，推动眼科医疗领域的数字化发展。