面向人工智能应用的干眼影像分类与标注方法、流程及质量控制专家共识(2025)
一、概述
人工智能（AI）在干眼诊疗中的应用日益广泛，眼表影像（角膜荧光素染色、睑板腺红外成像、泪膜干涉成像、共聚焦显微镜等）的标准化分类与标注是 AI 模型训练的关键基础。本共识由中华医学会眼科学分会角膜病学组联合信息学专家制定，旨在建立干眼影像的标准化标注体系。
二、核心要点
- 主要影像模态：角膜荧光素染色图（CFS）、睑板腺红外成像（Meibography）、泪膜干涉成像（TF-Scan）、眼表综合分析仪、共聚焦显微镜（IVCM）
- 标注对象：解剖结构（睑板腺、角膜上皮、结膜）、病理特征（睑板腺缺失、染色点、脂质层形态）、定量参数
- 标注流程：图像预处理 → 标准化采集 → 多医师标注 → 一致性检验 → 数据集构建
- 质量控制：标注者间一致性（κ 系数 ≥0.7 为合格）、专家仲裁机制、数据脱敏
三、关键推荐
| 推荐意见 | 推荐内容 | 证据等级 | 推荐强度 |
|---|---|---|---|
| 图像采集 | 标准化采集条件：暗室、统一设备、参数固定；患者配合度评估 | C | 强推荐 |
| 标注体系 | 依据国际标准（TFOS DEWS II）分类；建立中文术语映射 | C | 强推荐 |
| 一致性检验 | 标注者间 Cohen's Kappa / Fleiss Kappa ≥0.7 | C | 强推荐 |
| 质量控制 | 双盲标注 + 专家仲裁；标注员培训与考核制度 | C | 强推荐 |
| 数据治理 | 患者隐私保护（数据脱敏）；伦理审查；数据使用授权 | C | 强推荐 |
四、临床要点摘要
干眼 AI 研究近年快速发展，但数据集质量参差不齐是制约模型临床转化的瓶颈。本共识聚焦"标准化"与"质量控制"两个核心环节。
在标注体系上，需建立国际与本土化结合的术语标准。角膜荧光素染色（NEI/Oxford 分级）、睑板腺缺失评分（Meiboscale、Pult 评分）、泪膜脂质层分级（Guillon 模式）需在标注中明确。共聚焦显微镜图像标注应包括：角膜上皮细胞密度、形态、神经纤维密度、炎症细胞（朗格汉斯细胞）计数等。
质量控制方面：(1) 标注者需经统一培训、考核合格；(2) 每张图像至少 2 名标注者独立标注，不一致时由高级专家仲裁；(3) 统计 κ 系数（κ≥0.7 为合格）；(4) 定期审核数据集偏差（设备、种族、年龄分布）；(5) 严格伦理审查与数据脱敏。本共识填补了干眼 AI 影像标注规范的空白，为构建高质量中文干眼 AI 数据集提供参考。
本文为微信公众号文章转载整理，仅供眼科医师临床参考。具体诊疗决策应基于患者个体情况并结合最新临床证据。