基于 YOLOv8 算法的超声生物显微镜图像睫状沟参数深度学习预测研究

为解决 ICL 植入时确定合适镜片尺寸的难题，研究人员基于 YOLOv8 开展研究，发现其预测睫状沟相关参数准确性高且省时。

　　目的：构建一种基于 YOLOv8 的深度学习（DL）算法，用于从超声生物显微镜（UBM）图像中自动预测睫状沟间距（STS）和睫状沟平面与晶状体前表面的距离（STSL），并验证其准确性和可靠性。方法：本研究使用了 2023 年 3 月至 2024 年 8 月接受 ICL 治疗的 100 名近视患者的 100 只眼的数据。采用 UBM 测量 STS 和 STSL（每只眼测量 4 张图像）。数据集（400 张图像）在患者层面以 8:1:1 的比例随机分为训练集、验证集和测试集。利用 YOLOv8 算法定位 UBM 图像中两侧的睫状沟和晶状体前囊，然后计算距离，并与手动标注值进行比较，同时使用方差分析与外部专家标注值进行对比。在 26 只眼（104 张图像）的独立 UBM 数据集上对 YOLOv8 算法进行测试。采用布兰德 - 奥特曼检验（Bland–Altman tests）和组内相关系数（ICCs）评估标注值与 YOLOv8 预测值之间的一致性。结果：与测试集中手动标注轮廓相比，深度学习预测的 STS 和 STSL 准确性较高，且轮廓绘制时间减少（节省了 98.80% 的工作时间）。与外部眼科医生手动标注轮廓相比以及在外部评估中，深度学习预测也显示出良好的准确性。在测试集中，YOLOv8 算法对 STS 的预测误差为 3.27±2.01%，对 STSL 的预测误差为 67.95±140.09%；在外部测试集中，STS 的预测误差为 4.10±3.00 (%)，STSL 的预测误差为 49.66±42.73 (%) 。预测的和标注的 STS 之间的组内相关系数（ICC）为 0.312（P=0.01），预测的和标注的 STSL 之间的 ICC 为 0.086（P>0.05）。结论：深度学习预测的 STS 和 STSL 准确性较高，且测量时间减少，这可能对临床应用产生积极影响。关键信息：已知信息：1. 由于难以确定合适的镜片尺寸，ICL 植入仍然具有挑战性。2. 睫状沟间距（STS）直径测量值差异很大。新发现：1. 这是首次基于 YOLOv8 自动测量 STS 相关距离，并与传统手动标注进行准确性评估的研究。2. YOLOv8 算法在从超声生物显微镜图像中自动预测后房 STS 相关参数方面具有准确性高的优势。