角膜作為人體神經分布最密集的組織，其疼痛障礙卻長期面臨診斷困境。神經性角膜疼痛(NCP)患者常被誤診為干眼癥(DED)，不僅導致每年38億美元醫療資源的低效使用，更使患者承受著"無染色疼痛"的折磨。傳統裂隙燈檢查無法捕捉導致異常痛覺的神經病變，而活體共聚焦顯微鏡(IVCM)雖能呈現基底膜下神經叢的微神經瘤——這種NCP特異性生物標志物，但人工分析每例患者數百張圖像的工作量讓臨床推廣舉步維艱。

哈佛醫學院聯合塔夫茨醫學中心的研究團隊在《npj Digital Medicine》發表突破性成果，首次將IVCM成像與深度學習技術融合，開發出可自動檢測微神經瘤的臨床決策支持系統。研究采用多中心回顧性設計，整合塔夫茨醫學中心82,359張和賓夕法尼亞大學20,809張IVCM圖像，基于EfficientNet B3架構構建模型，創新性地引入平衡混合增強(balanced mixup)技術應對僅2%圖像含微神經瘤的類別不平衡問題，并通過患者級留一法交叉驗證和外部驗證確�？煽啃�。

模型性能驗證方面，研究取得系列重要發現：

• 內部驗證顯示模型在圖像級微神經瘤檢測的AuROC達0.966(95%CI:0.963-0.969)，外部驗證保持0.907(0.893-0.920)的高 discriminative ability
• 可視化分析通過積分梯度法證實模型能準確聚焦微神經瘤區域，但會將樹突狀免疫細胞誤判為假陽性
• 隨訪數據顯示模型性能隨就診次數提升，第9次訪視時AuPRC達0.78，反映其對疾病進展的追蹤能力
• 不確定性量化機制可自動篩選需人工復核的圖像，當模型置信度>95%時，診斷準確率顯著提高

討論部分強調，該研究首次實現IVCM圖像分析的標準化與自動化，其臨床價值體現在三方面：一是突破NCP診斷長期依賴排除法的局限，通過微神經瘤的客觀識別實現精準分診；二是模型處理速度達每秒數萬張圖像，極大緩解臨床資源壓力；三是FDA已接受微神經瘤作為NCP診斷標準(NCT06637527試驗)，為技術轉化奠定基礎。作者同時指出，當前模型在區分微神經瘤與免疫細胞方面仍需結合三維重建技術改進，前瞻性多中心試驗(NCT05653921)將重點驗證患者級診斷效能。

這項研究開創了人工智能輔助角膜神經病變診斷的新范式，其技術框架可擴展至糖尿病周圍神經病變、帕金森病等同樣存在角膜神經改變的疾病檢測。隨著IVCM設備的普及和深度學習算法的優化，這種"光學活檢+AI"的模式有望重塑神經性眼病的診療路徑，為長期被誤診的患者帶來曙光。