基于面部照片的甲状腺眼病深度学习检测模型对比：开辟眼科疾病诊断新路径

《BMC Ophthalmology》：Comparative analysis of deep learning architectures for thyroid eye disease detection using facial photographs

为解决甲状腺眼病（TED）诊断问题，研究人员开展对比 ResNet-50 和 ResNet-101 两种 AI 模型用于 TED 筛查的研究。结果显示两种模型区分 TED 与健康者的准确率、灵敏度和特异性可接受，为 TED 筛查提供新途径。

　　甲状腺眼病（Thyroid Eye Disease，TED）是一种常见的眼眶疾病，严重时可能威胁视力，极大地影响患者的生活质量。目前，TED 的诊断依赖特定的临床和辅助临床标准，初始诊断需要全面的眼科检查，然而在一些地区，尤其是发展中国家，专业眼科医生或眼整形外科医生资源有限，这使得及时诊断和治疗变得困难。而且传统的基于面部图像的筛查方法存在局限性，无法评估所有临床体征或进行特定检查。因此，开发简单、低成本的筛查工具对普通人群来说十分必要。

在此背景下，来自伊朗德黑兰医科大学法拉比眼科医院等机构的研究人员开展了一项重要研究。他们旨在对比两种人工智能（Artificial Intelligence，AI）模型 —— 残差神经网络 ResNet-50 和 ResNet-101，用于通过正面面部照片筛查 TED，并在临床条件下测试这些模型的性能。该研究成果发表在《BMC Ophthalmology》杂志上。

研究人员开展此项研究用到的主要关键技术方法包括：首先是数据采集与标注，从 2020 年 3 月至 2024 年 2 月收集患者的照片和临床数据，依据严格标准筛选参与者，对图像进行手动裁剪和缩放预处理；其次是深度学习，运用 Python 和 PyTorch 框架，基于 ImageNet 数据集预训练 ResNet-50 和 ResNet-101 模型，再用研究中的训练和验证数据集微调，采用 Adam 算法优化；最后通过应用测试和统计分析评估模型性能。

研究结果如下：

• 人口统计学和临床特征：TED 组和健康组在年龄和性别分布上无显著差异。TED 组中，轻度病例占 12.6%，中重度病例占 74.0%，威胁视力的病例占 13.4%1。
• ResNet-50 AI 模型：训练 30 个 epoch 后，在测试集上准确率达到 0.88，灵敏度为 0.64，特异性为 0.92，ROC 曲线下面积（Area Under the Curve，AUC）为 0.942。
• ResNet-101 AI 模型：训练 100 个 epoch 后，在测试集上准确率为 0.84，灵敏度为 0.76，特异性为 0.92，AUC 为 0.933。
• 应用测试：在评估 50 张面部图像时，普通眼科医生组和研究员组的误诊率和漏诊率各有不同，ResNet-50 和 ResNet-101 AI 模型的准确率分别为 82.0% 和 84.0%。经统计分析，两种 AI 模型与对照组在准确率、灵敏度和特异性指标上无显著差异。此外，通过遮挡敏感性方法分析发现，模型检测 TED 时主要聚焦于眼周区域456。

研究结论和讨论部分表明，基于面部图像的 TED 筛查中，ResNet-50 和 ResNet-101 AI 模型在区分 TED 与健康受试者方面，具有可接受的准确率、灵敏度和特异性，且两种模型性能无显著差异。尽管研究存在局限性，如未对 TED 病例按疾病严重程度或活动度分类、仅使用单张正面照片、未评估模型在其他临床中心的通用性等，但该研究仍为 TED 的筛查提供了新的思路和方法。未来有望基于这些 AI 模型开发自我评估应用程序，特别是在医疗资源匮乏地区，促进公众健康，实现 TED 的早期检测。