方法:前瞻性研究。选取我院2019-09/2020-12收治的干眼患者66例132眼,根据荧光素染色后泪膜破裂形态的不同分为片状破裂组(17例28眼)、类圆形破裂组(20例27眼)、线状破裂组(25例28眼)、点状破裂组(21例24眼)和不规则破裂组(20例25眼),比较各组患者泪膜破裂动态变化图像特征、泪膜脂质层动态变化图像特征及泪膜首次破裂时间(NIBUTf)、泪膜平均破裂时间(NIBUTav)、泪河高度(TMH)、角膜荧光素染色(FL)评分的差异。
结果:各组患者NIBUTf有差异(P<0.001),除点状破裂组和不规则破裂组间无差异(7.56±1.54s vs 8.02±1.86s,P=0.881),其余各组两两比较均有差异(P<0.05)。各组间NIBUTav有差异(P<0.001),除点状破裂组和不规则破裂组间无差异(9.54±2.12s vs 9.73±1.94s,P=0.997),其余各组两两比较均有差异(P<0.05)。各组间TMH比较有差异(P<0.001),除类圆形破裂组和线状破裂组间无差异(0.16±0.03mm vs 0.17±0.03mm,P=0.986)、点状破裂组和不规则破裂组间无差异(0.22±0.03mm vs 0.21±0.05mm,P=0.993),其余各组两两比较均有差异(P<0.05)。各组患者FL评分和泪膜脂质层分级均有差异(P<0.001)。
结论:通过分析荧光素染色泪膜破裂的动态图像和脂质层扩散的动态图像特征,并结合其他泪膜静态检查参数,发现不同荧光素染色泪膜破裂形态可以直观反映干眼患者泪膜各层结构的变化,有助于临床医生识别干眼亚型,这对于干眼的诊断和分类具有潜在的临床价值。 相似文献
干眼(dry eye, DE)是世界范围内最常见的眼科疾病之一,患病率在5%~50%。由于病因复杂且诊断的相应设备有限,干眼尚不能得到及时、精准的诊断。近年来,随着人工智能(artificial intelligence,AI)在医学领域的广泛应用,利用机器学习和深度学习辅助检查干眼也得到了深入研究,如干涉测量、裂隙灯检查和睑板腺图像的分类和评估等。研究发现人工智能能够对干眼患者的测量数据和图像进行准确分析,灵敏度和特异度均可达90%以上。人工智能将在辅助临床医生客观诊断干眼、改善干眼患者生活质量方面具有巨大潜力。在这篇综述中,我们总结了人工智能在干眼领域的应用现状以及应用中潜在的挑战,展望了人工智能辅助诊断干眼的前景。 相似文献