AOPR | 南昌大学第二附属医院眼科中心熊健/俞益丰团队&江西师范大学易玉根团队:深度学习预测全飞秒激光扫描前不透明气泡层的形态与面积

近日，南昌大学第二附属医院眼科中心熊健、俞益丰团队联合江西师范大学软件学院易玉根团队在 “Advances in Ophthalmology Practice and Research” 期刊发表了题为 “Deep learning models for predicting opaque bubble layer morphology of keratorefractive lenticule extraction before laser scanning” 的研究论文。南昌大学第二附属医院眼科俞益丰教授与江西师范大学软件学院吴轩为论文共同第一作者，南昌大学第二附属医院眼科熊健副主任医师与江西师范大学软件学院易玉根教授为论文共同通讯作者。

01

本研究为多中心、回顾性、观察性研究，数据来源于南昌大学第二附属医院、杭州华厦眼科医院与南昌普瑞眼科医院。研究共纳入 2698 例患者的 5138 段 KLEx 手术视频、5138 只眼，提取并配对 10276 帧图像用于模型构建与验证。训练集与验证集来自南昌大学第二附属医院，并以患者为单位严格划分（同一患者双眼归入同一数据集）；另设两个独立外部测试集用于评估模型的泛化能力。

研究以负压吸引启动帧（激光发射前角膜被充分吸引并由锥镜固定的瞬间）作为输入，构建了两个相互独立的深度学习模型，用于预测透镜边切完成帧（后表面透镜扫描结束后，透镜边缘切削完成）中的 OBL 情况：

（1）OBLPA-Net（OBL 感知注意力网络）用于预测 OBL 的形态与分布。该网络采用双编码器结构，分别由 CNN 分支（ResNet-34）提取局部细节，由 Transformer 分支（PVTv2）建模全局上下文与长程依赖，并通过跳跃连接中的交叉注意力机制融合两路特征，再经卷积解码器逐步重建出像素级预测。

（2)基于深度学习的回归模型用于预测角膜内 OBL 所占面积（OBL%），以 ResNet-50主干提取特征，结合平均池化与全连接层输出最终面积值。

研究结果显示：在验证集中，OBLPA-Net 预测 OBL 形态的 Dice 系数为 0.918（95% CI：0.915～0.921），IoU 为 0.849（95% CI：0.844～0.854），并在两个外部测试集中保持了相近的表现；回归模型预测 OBL 面积的平均绝对误差（MAE）为 0.221%（95% CI：0.201～0.242），外部测试集结果相近。可视化分析提示，OBLPA-Net 的高响应区域与高密度 OBL 聚集区域在空间上较为一致，尤其集中于中周部角膜。

本研究是首个用于预测角膜屈光手术术中并发症图像的机器学习算法，并通过多中心数据完成了外部验证。研究表明，在激光扫描之前对 OBL 的形态、位置与面积进行预测是可行的：形态预测可提示术者关注气泡可能聚集的区域（如薄透镜患者中边缘辨认困难处，或位于后表面 6 点与 4 点方位的聚集），从而在术前考虑重新吸引、水润、冲洗乃至延迟手术等处理；定量的面积输出则可作为标准化严重程度分级与风险评估的客观指标。该方法作为辅助术者决策而非取代其主观判断的支持工具，亦可为屈光手术教学提供客观反馈。

02

03