基于机器学习算法的眼外伤后视网膜损伤计算机辅助检测

　　本研究针对战场眼外伤高发且后段穿透伤易致视网膜撕裂、脱离及PVR等严重并发症，但传统眼底镜检查存在漏诊风险的问题，开发了基于CNN和SVM的机器学习模型，用于兔眼底图像的自动损伤识别。结果显示SVM多项式核模型准确率最高（92.37%），证明了ML辅助诊断在视网膜损伤检测中的潜力，为开发战场快速诊断工具奠定基础。

　　

在现代军事冲突中，爆炸物使用增加导致眼外伤发生率显著上升，其中50%-80%由简易爆炸装置（IED）引起。战斗人员暴露于爆炸产生的尖锐碎片时，极易遭遇眼球后段穿透伤，引发视网膜撕裂、脱离及增殖性玻璃体视网膜病变（Proliferative Vitreoretinopathy, PVR）等严重并发症。PVR以玻璃体出血、视网膜细胞浸润及纤维化膜形成为特征，常导致牵引性视网膜脱离，是伤后视力丧失的主因。尽管开放眼球损伤更严重，但闭合眼球损伤模型在实验室条件下更易标准化，且能针对性研究视网膜病变，因此被选为本研究的实验基础。

目前，眼底镜检查是视网膜评估的金标准，但仅凭人工观察难以持续检测细微病变。机器学习（Machine Learning, ML）作为人工智能分支，在图像识别领域展现出卓越潜力，尤其在糖尿病视网膜病变等眼病诊断中已证明其高效性。卷积神经网络（Convolutional Neural Network, CNN）能自动提取图像特征，而支持向量机（Support Vector Machine, SVM）通过核函数映射数据实现分类，两者均为处理复杂图像模式的理想工具。

为探索ML是否可辅助或替代人工识别视网膜损伤，Patrick Y. Hsun等研究人员在《Military Medicine》发表了这项研究。他们使用10只荷兰带纹兔（Dutch Belted rabbit）建立闭合眼球后段穿透伤模型，右眼经23G针头诱导损伤，左眼作为对照。通过眼底摄影采集743张全彩色眼底图像，由训练有素的人员标注为“受伤”或“未受伤”。数据集按7:3比例随机分为训练集（520张图像）和测试集（223张图像），并保持损伤与未损伤图像比例一致。研究采用CNN和4种SVM核函数（线性、多项式、径向基函数-RBF、S型）构建模型，使用OpenCV进行图像预处理（包括灰度转换和旋转以测试颜色和方向敏感性），依托Keras和scikit-learn库实现算法。评估指标包括准确率、精确度、ROC曲线下面积（ROC AUC）等，以全面比较模型性能。

CNN Model Results With Color Image Inputs

基于全彩色图像训练的CNN模型在10次迭代中表现稳定，最高验证准确率达91.03%，ROC AUC为0.9134。训练与验证准确率呈上升趋势，误差逐步降低，表明模型能有效学习特征。

CNN Model Results With Black-and-White Image Inputs

使用黑白图像时，CNN性能显著下降，准确率降至83.41%，ROC AUC仅0.7789。表明颜色信息是模型识别损伤的关键因素。

SVM Model Results

SVM模型中，多项式核表现最优，准确率达92.37%，ROC AUC为0.9565；线性核次之（准确率83.86%，ROC AUC 0.8899）；RBF和S型核最差（准确率约64-73%，ROC AUC 0.5-0.82），其中S型核几乎将所有图像误判为受伤，反映其不适于此任务。所有SVM模型对图像旋转不敏感，但颜色输入同样影响性能。

研究结论强调，ML算法能高准确率识别外伤后视网膜损伤，其中SVM多项式核最佳，CNN次之。颜色而非方向是核心影响因素。讨论部分指出，该研究验证了兔模型在模拟战场眼外伤中的实用性，但样本量有限且硬件约束未充分发挥CNN潜力。兔眼与人类在血管分布（兔为“merganiotic”，人类为“holangiotic”）等方面的差异提示需谨慎推演至临床。未来需与眼科医生合作，获取更多人眼图像并优化算法，最终开发适用于战场环境的便携诊断系统，提升眼外伤救治效率与预后。