近日，由爱尔眼科医院集团湖北省区副总院长曾庆延团队与中国科学院计算技术研究所陈益强研究员、高林研究员团队及悉尼新南威尔士大学张方略副教授团队联合攻关，在角膜炎智能辅助诊断领域取得国际领先水平的突破性进展——两项原创性人工智能分类成果均被医学图像领域国际顶级会议MICCAI 2026录用。其中，面向感染性角膜炎多类别识别方法作为排名前9%的论文获得提前录用，充分彰显了该技术路线的国际前沿水准与原创价值。

直击临床刚需：

从"单帧图像识别"到"序列级深度感知"

让AI更贴近医生诊断逻辑

当前，感染性角膜炎的临床检测主要依靠活体共聚焦显微镜（IVCM），但传统方法多基于单帧图像分类，忽略了多帧连续扫描中蕴含的序列关联特征与深度空间信息，导致"区分病原类型难、序列信息利用率低、扫描深度信息建模不充分"等临床痛点。

针对感染性角膜炎多类别识别任务，研究团队创新提出 ReDIVE（Retinex-enhanced Depth-Informed Vertical Embedding）框架。该方法基于Retinex光照理论设计增强模块，对 IVCM 图像进行亮度校正、噪声抑制和纹理强化；利用 ConvNeXt v2深度神经网络提取每一帧图像的视觉特征，编码每帧图像对应的绝对扫描深度、帧间相对深度差异；再通过 Vision Transformer 深度神经网络对整段序列进行建模，综合判断病原类别。

图1. ReDIVE网络结构

同时，针对真菌性角膜炎亚型分类难题，团队进一步提出DLCE-MIL（Depth-aware Local Context Enhanced Multiple Instance Learning）框架，用于患者层级的真菌属分类。该方法将同一患者的一组 IVCM 图像作为整体进行建模，通过 DINOv2 深度神经网络提取显微纹理特征，并引入 LICE（Local Instance Context Enhancement）模块捕捉相邻扫描切片之间的局部连续性；将物理扫描深度作为可学习的调制信号融入特征空间，并兼顾菌丝等局部角膜病灶层次的临床信息。

图2. DLCE-MIL 网络结构

夯实临床验证：

从"万级影像"到"双盲金标准"

让AI诊断精准度大幅提高

为验证算法有效性，团队构建了覆盖2017年至2024年的大规模IVCM真实临床图像数据集，所有患者诊断结果均由微生物培养等金标准方法核验，图像标注则由至少两名眼科医生以双盲方式完成。

结果显示，感染性角膜炎多类别识别方法ReDIVE准确率超过95%，真菌性角膜炎亚型分类方法DLCE-MIL准确率超过79%，优于已有的角膜炎分类方法。

深化医工融合：

从"联合攻关"到"临床应用"

打造眼科AI创新范式

双方团队有多年合作基础，前期已围绕真菌性角膜炎智能诊断开发辅助诊断系统并在相关医院开展内测。该系统面向角膜炎患者的临床筛查与辅助判读需求，可对IVCM 图像进行智能分析，实现秒级图像诊断，辅助医生识别疑似真菌感染图像，为基层和专科医生提供客观、稳定的辅助参考，显著提升了医生的诊断效率。

本次研究在此基础上面向更广泛临床场景拓展，充分利用了爱尔眼科丰富的临床真实场景数据资源与中国科学院计算技术研究所在医学影像智能分析方面的算法优势，围绕角膜炎早筛、精准分型、疗效随访等环节构建了"临床需求牵引——技术创新突破——真实数据验证"的闭环模式。

未来，研究团队将加快推进多中心临床验证，进一步扩展角膜炎类型、病原亚型和临床应用场景，持续探索人工智能技术在角膜病诊疗中的规范化、可解释性和可推广性，为守护广大患者的视觉健康贡献科技力量。

--end--

撰文：黄洁、张凌霄、赵晓洪

内容审核：曾庆延、高林

终审：向斌