人工智能（AI）从诞生以来，理论和技术日益成熟，应用领域也不断扩大。角膜生物力学近年来逐渐走进眼科医生的视野，主要应用于角膜屈光手术前的圆锥角膜筛查。当角膜生物力学与AI相互融合会迸发出怎样的火花呢？基于人工智能技术的断层地形图与角膜生物力学联合的TBI，是否能够成为筛查圆锥角膜的利器呢？

引言

在激光视力矫正（LVC）之前，准确识别早期圆锥角膜是至关重要的，因为这些病例极有可能发展为临床圆锥角膜。此外，为了控制疾病的近期进展，辨别早期圆锥角膜也非常重要。

Ambrosio和同事研发了TBI，结合了角膜断层扫描技术和角膜生物力学，并使用人工智能（AI）优化了对圆锥角膜的检测。具有留一法交叉验证（RF / LOOCV）的随机森林方法是最好的模型。在原始研究中，TBI区分正常眼（n = 480）和圆锥角膜眼（n = 276）截断值为0.79时，具有100％的敏感性和特异性。对于VAE-NT病例（n = 94），优化的临界值0.29可呈现90.4％的敏感性，特异性为96％。

尽管如此，TBI在所有其他测试参数上都具有超高的准确性，但从根本上需要进行外部验证。这项研究的目的是为TBI提供一个外部验证，该验证来自原始研究中用于创建或训练参数的人群中的独立人群。

方法

正常组（N组）包括来自312例正常角膜随机选择的一只眼; 圆锥角膜组（KC组）包括来自118例圆锥角膜随机选择的一只眼; 67例非对称性扩张患者的圆锥角膜眼（57眼，VAE-E组）及其对侧眼（57眼，VAE-NT组）。

主要结果指标：TBI区分正常角膜与圆锥角膜的能力，并与其他参数对比，包括BAD-DI、CBI，考虑使用AUC曲线

结果

总计546眼（从312例N组、118例KC组、57例VAE-E组和57例VAE-NT组中随机选择一只眼），共纳入487例患者。

TBI检测扩张风险（KC组，VAE-E组和VAE-NT组）的AUC为0.988。临界值为0.335，灵敏度为94.4％，特异性为94.9％（如下表）。与其他参数相比，该组合参数具有统计学上更高的AUC（DeLong等，p <0.05）。检测扩张角膜患者（KC组和VAE-E组），优化的临界值为0.385，TBI呈现的AUC为0.998（灵敏度为97.1％，特异性为98.1％）。检测非对称性扩张患者形态正常的对侧眼（VAE-NT组）的能力，TBI优化的截止值为0.295，可呈现0.960的AUC，灵敏度为89.5％， 特异性为91,0％。

以便于进行比较，下图显示了TBI、BAD-DI和CBI的点状图

结论

我们当前的研究包括大量顿挫圆锥角膜病例（FFKC），以强调TBI能够识别极早期圆锥角膜的敏感性。与原始研究相似，TBI对于检测角膜扩张疾病显示出比其他所有的断层地形图和生物力学参数更高的准确性。