使用与智能手机兼容的裂隙灯设备对基于人工智能的前房深度估算方法进行验证

《Optical Fiber Technology》：Validation of an Artificial Intelligence-Based Anterior Chamber Depth Estimation Using a Smartphone-Compatible Slit-Lamp Device

前房深度评估中智能眼相机（SEC）集成AI算法与光学相干断层扫描（AS-OCT）对比显示，AI算法测得ACD MAE为0.119mm，ICC达0.903，R=0.922，证实其在稀释瞳孔状态下仍保持高准确性，为资源有限地区提供便携筛查工具。

　　前房深度（ACD）是影响闭角型青光眼（ACG）发生的重要风险因素，因此在临床评估中具有重要意义。尽管传统技术可以提供可靠的测量结果，但这些方法通常需要较多的人工操作，技术要求较高，且耗时较长。为了解决这一问题，研究人员开发了一种人工智能（AI）算法，该算法能够通过裂隙灯照片估计前房深度。本研究旨在评估该AI模型在使用Smart Eye Camera（SEC）设备时的性能，SEC是一种智能手机兼容的裂隙灯成像系统，与传统设备相比，它具有更高的便携性和易用性。通过与另一机构使用前段光学相干断层扫描（AS-OCT）获得的测量结果进行对比，研究评估了该AI模型在实际临床环境中的准确性。

本研究共纳入了329名亚洲患者的556只晶状体完整的眼，其中268只为未散瞳眼，288只为散瞳眼。所有数据均来自Fuchu眼科中心，采集时间在2025年3月至5月之间。研究中使用了AS-OCT进行前房深度的测量，并且所有图像均由经过认证的验光师采集。为了确保测量的准确性，研究还要求使用SEC进行记录的视频中必须包含至少五秒的清晰视图，以捕捉角膜和晶状体的完整信息。同时，排除了因角膜异常、无晶状体或假晶状体等情况导致测量不可靠的病例。最终纳入了556只眼睛，其中10只前房深度低于2.000毫米，142只在2.000至2.500毫米之间，263只在2.500至3.000毫米之间，127只在3.000至3.500毫米之间，14只在3.500至4.000毫米之间，而没有一只眼睛的前房深度超过4.000毫米。研究还指出，前房深度在人群中的分布趋势显示，有更多的眼睛前房深度较低，这可能与研究人群的年龄结构有关。

研究中使用SEC记录的视频由一名眼科医生（T.M.）操作，采用标准的直接焦点照明技术。SEC设备能够将iPhone的光源转化为裂隙光束，该光束以40度的角度照射角膜和晶状体区域，同时记录视频。视频的分辨率设定为1,080 × 1,920像素，保持每秒60帧的帧率。SEC内置的AI算法能够自动分析这些视频，估算前房深度。AI模型在评估前房深度方面的表现，通过与AS-OCT测量结果进行比较来验证。研究中使用的评估指标包括平均绝对误差（MAE）、平均平方误差（MSE）、皮尔逊相关系数（R）和组内相关系数（ICC），这些指标能够有效衡量模型的准确性与一致性。

研究结果显示，SEC内置的AI算法在估算前房深度方面表现良好，其平均绝对误差为0.119 ± 0.0949毫米，平均平方误差为0.0233 ± 0.0557毫米。在所有眼睛中，SEC估算的前房深度与AS-OCT测量结果之间的相关系数（R）达到了0.922，95%置信区间为[0.908–0.933]，表明两者之间存在高度相关性。组内相关系数（ICC）为0.903，说明SEC估算的前房深度与AS-OCT测量结果之间具有极高的一致性。进一步分析发现，无论是散瞳眼还是未散瞳眼，SEC估算的前房深度均与AS-OCT测量结果表现出显著的相关性，其中散瞳眼的相关系数为0.927，95%置信区间为[0.908–0.941]；未散瞳眼的相关系数为0.923，95%置信区间为[0.903–0.939]。这些结果表明，SEC内置的AI算法能够准确地估算前房深度，其表现优于以往的研究。

此外，研究还评估了AI在诊断闭角型青光眼风险方面的性能。通过设定不同的前房深度阈值（2.500毫米和3.000毫米），研究计算了模型的准确率、敏感性、特异性和曲线下面积（AUC）。结果显示，当使用2.500毫米作为阈值时，模型的准确率为0.915（95%置信区间为[0.892–0.939]），敏感性为0.857（95%置信区间为[0.827–0.888]），特异性和AUC分别为0.936和0.897。当使用3.000毫米作为阈值时，模型的准确率为0.888（95%置信区间为[0.862–0.915]），敏感性为0.881（95%置信区间为[0.853–0.910]），特异性和AUC分别为0.925和0.903。这些结果表明，SEC内置的AI算法在闭角型青光眼风险评估中具有较高的诊断性能，优于之前的一项研究，后者显示敏感性为80%，特异性为79%，AUC为0.86。

为了进一步验证AI模型的性能，研究还采用了梯度加权类激活映射（Grad-CAM）技术，对模型在估算前房深度时的注意力区域进行了可视化分析。结果显示，模型在估算过程中主要关注角膜与晶状体之间的前房区域，这一发现支持了前房深度可以在散瞳和未散瞳状态下进行相似估算的理论依据。这表明，尽管AI模型最初是在未散瞳状态下进行训练的，但其在散瞳状态下同样能够提供可靠的估算结果。

然而，本研究也存在一些局限性。首先，研究人群仅限于亚洲人，因此无法确定该AI模型在其他种族人群中的适用性和准确性。其次，所有SEC影像均由同一名眼科医生（T.M.）采集，这可能影响模型在不同操作者之间的可重复性。此外，所有图像均来自SEC设备，虽然理论上可以将该AI算法应用于其他设备采集的图像，但SEC特有的40度固定裂隙光束角度可能对图像质量产生重要影响，从而确保估算结果的准确性。因此，如果使用其他设备采集的图像，可能会导致估算结果的偏差。

尽管存在上述局限性，SEC内置的AI算法在估算前房深度方面仍展现出巨大的潜力。该技术无需大型或昂贵的设备，能够提供快速、便捷的评估方式，适用于多种临床环境，特别是在资源有限的基层医疗机构和偏远地区。通过结合远程医疗（telemedicine）技术，SEC可以成为一种有效的工具，帮助非眼科医生在开具某些药物时，评估患者是否存在闭角型青光眼的风险，从而避免可能引发急性闭角型青光眼的药物使用。此外，SEC的便携性和易用性使其成为一种具有广泛临床应用前景的设备。

综上所述，本研究验证了SEC内置AI算法在估算前房深度方面的准确性，其表现与AS-OCT测量结果高度一致。SEC作为一种便携的成像设备，能够有效评估前房深度，为闭角型青光眼的风险筛查提供了一种可行的解决方案。未来的研究应进一步验证该模型在不同种族人群中的适用性，并评估非眼科医生在使用SEC进行前房深度估算时的准确性。同时，应探索SEC在更广泛临床场景中的应用，以提高其在实际医疗环境中的实用性。