利用基于深度学习的方法，通过UBM图像自动测量和评估前段解剖结构

本研究旨在开发基于YOLOv8-pose算法的前节参数自动测量模型。通过分析1480例UBM图像，模型成功识别10个解剖关键点并计算6项前房参数，与人工及OCT测量结果高度一致（ICC>0.978，平均误差<1.7%），且与术后眼压显著相关（P<0.001），为ICL手术提供可靠预评估工具。

摘要

目的

开发一种深度学习模型，该模型能够根据植入型胶原镜片（ICL）手术候选者的术前超声生物显微镜（UBM）图像测量重要的前段（AS）参数。

研究背景

中国天津市天津医科大学眼科医院。

研究设计

横断面回顾性研究。

方法

收集了来自320名受试者638只眼睛的1,480张术前全景UBM图像，并将其按7:3的比例分为训练集和测试集。使用YOLOv8-pose算法，模型识别出十个解剖关键点坐标并计算出六个相关的AS参数。手动测量结果以及基于前段光学相干断层扫描的非接触式测量结果被用作评估模型准确性的参考标准。通过多元线性回归分析了术后前房高度与模型测量参数之间的关系。

结果

在测试数据集上，模型的类内相关系数（ICC）超过0.978，所有点位置的平均欧几里得距离为67.65 ± 54.25 μm。前房深度（ACD）、瞳孔直径和沟槽间距离的ICC值均高于0.980（95%置信区间：0.975至0.985），平均相对误差低于1.7%。此外，术后一个月的前房高度与模型测量的参数（包括晶状体隆起、虹膜凹陷和ACD）之间存在显著相关性（P < 0.001）。

结论

本研究介绍了一种能够定量测量AS参数的强大工具，其准确性可与经验丰富的眼科医生相媲美。这些发现为ICL的尺寸选择和前房高度预测提供了有价值的指导。