近年来，随着环境变化以及部分人群过度用眼等因素影响，干眼的发病率逐年升高，作为其主要类型的蒸发过强型干眼的发生多是由于脂质层出现质或量异常而引起的睑板腺功能障碍(MGD)所致，由于诊断和分类的差异，目前对于该病的治疗尚无统一标准，临床医生对其诊疗效果的判断和随访管理受限。随着大数据的可获得性、计算机图形处理及数学模型的改进，人工智能(AI)在医疗领域获得广泛应用。AI系统能够利用机器学习和深度学习等技术，发挥先进的问题求解能力，使诊断更客观，提高诊疗效率。AI在眼科的应用主要是基于眼科图像的辅助诊断、眼病筛查，减少医疗系统对人工的依赖程度，使眼病相关筛查诊断更快速、更便捷、一致性更高，缓解医疗负担，从而显著提高医疗服务的效率和成本效益。目前，AI在白内障、青光眼、糖尿病视网膜病变等领域的使用日趋成熟，在MGD相关干眼领域的研究也取得一定进展，本文就AI在MGD相关干眼中的应用现状及进展进行综述。
版权归中华医学会所有。
未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。
睑板腺功能障碍(meibomian gland dysfunction，MGD)是蒸发过强型干眼的主要原因，也是眼科常见病。MGD相关干眼可对人们的生活质量产生影响，并可能造成直接或间接公共卫生成本升高以及个人经济负担加重。快速、准确的诊断可以免除不必要的费用及过度治疗引起的潜在不良反应。睑缘和睑板腺开口异常、睑酯分泌异常出现任意一种体征再结合眼部症状可诊断为MGD。由于MGD相关干眼患者症状常表现各异，甚至症状体征分离，因此临床上常联合使用多项测试，包括泪膜破裂时间(tear break-up time，TBUT)、泪腺分泌测试、泪液渗透压和泪河高度、眼表染色、角膜敏感性、瞬目频率、角膜地形图、干涉测量和裂隙灯显微镜图像、红外睑板腺成像技术、活体共聚焦显微镜(in vivo confocal microscopy，IVCM)、问卷记录等，这些测试需要在临床上投入大量的时间和资源。人工智能(artificial intelligence，AI)利用机器学习(machine learning，ML)和深度学习(deep learning，DL)技术在医疗领域获得广泛的应用。ML是在算法的基础上，学习大量的历史数据，从而得出预测模型及对应结果。ML包括：(1)监督学习 监督学习算法可以执行回归和分类，其中回归涉及预测数据实例的数值，而分类涉及将数据实例分配给预定义的类别。(2)无监督学习 无监督学习包括聚类算法和降维算法，这种类型的ML通常用于将观察结果分组在一起，检测输入变量之间的关系，以及降维。(3)强化学习 DL是ML研究的一个新领域，很多结构模型都曾应用于医学影像的研究，如卷积神经网络(convolutional neural network，CNN)、栈式自编码器、受限玻尔兹曼机、深度信念网络等(图1)。基于DL的影像模型可以提高检查的准确性并节省时间，可用于MGD的临床辅助诊断和筛查。AI在眼部疾病中的应用较多，包括糖尿病视网膜病变的筛查、年龄相关性黄斑变性的检测、青光眼和早产儿视网膜病变的诊断等。AI辅助诊断、评估、随访MGD可节省大量的时间和资源成本，具有重要价值。本文就AI在MGD相关干眼中的应用现状及进展进行综述。
