朱敏穎 林曉蕾 張祖輝 戴琦

瞼板腺功能障礙（meibomian gland dysfunction，MGD）是一種慢性、彌漫性瞼板腺異常，可引起淚膜異常、眼部刺激癥狀、炎癥反應(yīng)及眼表?yè)p害[1]。目前MGD的病因及發(fā)病機(jī)制尚不明確，但有研究發(fā)現(xiàn)瞼板腺形態(tài)和功能存在密切關(guān)聯(lián)。Pult等[2]發(fā)現(xiàn)瞼板腺形態(tài)缺失與淚膜脂質(zhì)層厚度和穩(wěn)定性密切相關(guān)。Yin等[3]研究認(rèn)為瞼板腺形態(tài)上不均勻缺失與MGD密切相關(guān)。Ban等[4]認(rèn)為上眼瞼瞼板腺缺失與瞼板腺分泌分?jǐn)?shù)及淚膜脂質(zhì)層相關(guān)。目前Arita等[5]的分級(jí)法是使用較多的評(píng)價(jià)瞼板腺形態(tài)缺失的指標(biāo)，但其人工標(biāo)注工作量大、效率低、誤差大?；谏疃葘W(xué)習(xí)的人工智能（artificial intelligence，AI）系統(tǒng)在分類(lèi)及圖像識(shí)別方面的效率和精度都遠(yuǎn)高于圖像處理算法和早期的機(jī)器學(xué)習(xí)算法，且成本大幅降低，是目前醫(yī)學(xué)診斷當(dāng)中最火熱和最具有前景的發(fā)展方向。深度學(xué)習(xí)經(jīng)過(guò)多年的發(fā)展，人們提出了許多深度神經(jīng)網(wǎng)絡(luò)，其中，卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）已被成熟應(yīng)用于人臉識(shí)別、文字識(shí)別、圖像檢索等多個(gè)領(lǐng)域[6-7]。對(duì)于物體識(shí)別、圖片分類(lèi)等，CNN的準(zhǔn)確率可以接近甚至優(yōu)于人工分析方式[8-9]。Wang等[10]和Zhou等[11]使用CNN對(duì)瞼板腺萎縮進(jìn)行分級(jí)，結(jié)果證明AI技術(shù)對(duì)瞼板腺萎縮的自動(dòng)評(píng)價(jià)是有效的。但目前研究主要關(guān)注整個(gè)瞼板區(qū)域和萎縮區(qū)域的識(shí)別，并沒(méi)有對(duì)每根瞼板腺腺體進(jìn)行檢測(cè)和評(píng)價(jià)。筆者團(tuán)隊(duì)前期研究提出瞼板腺?gòu)澢燃安€板腺密度兩項(xiàng)定量評(píng)價(jià)指標(biāo)[12]，可以成為AI系統(tǒng)的進(jìn)階評(píng)價(jià)指標(biāo)。本研究建立的AI系統(tǒng)是基于CNN的U-Net網(wǎng)絡(luò)構(gòu)建的，該系統(tǒng)能夠自動(dòng)處理瞼板腺圖片，識(shí)別出瞼板腺的單根腺體，并使用前期提出的瞼板腺量化評(píng)價(jià)指標(biāo)來(lái)準(zhǔn)確評(píng)估瞼板腺的各項(xiàng)形態(tài)參數(shù)。

1 對(duì)象和方法

1.1 對(duì)象 選取2020年12月至2021年3月在溫州醫(yī)科大學(xué)附屬眼視光醫(yī)院杭州院區(qū)就診的60例受試者作為研究對(duì)象。其中阻塞性MGD患者32例（MGD組），健康志愿者28例（正常組）。MGD組男16例，女16例；年齡 22～50（33.28±9.28）歲；正常組男 11 例，女 17 例；年齡8～51（25.25±11.19）歲。兩組受試者性別比較差異無(wú)統(tǒng)計(jì)學(xué)意義（P＞0.05），但年齡比較差異有統(tǒng)計(jì)學(xué)意義（P＜0.01）。排除標(biāo)準(zhǔn)：（1）患有眼部疾病或已知影響眼前節(jié)解剖結(jié)構(gòu)情況的患者，如有眼部炎癥、眼部手術(shù)史、佩戴隱形眼鏡和（或）外傷史；（2）有影響瞼板腺功能的全身用藥史的患者；（3）患有任何其他已知會(huì)影響淚膜的眼部疾病或全身性疾病者。所有患者均由兩位經(jīng)驗(yàn)豐富的眼科醫(yī)生根據(jù)眼部癥狀、瞼緣異常和瞼板腺評(píng)分診斷為阻塞性MGD。如果滿足以下3個(gè)標(biāo)準(zhǔn)中的任何一個(gè)，則患者被診斷為阻塞性MGD：（1）眼部癥狀評(píng)分≥3分；（2）瞼緣評(píng)分≥2分；和（或）（3）瞼板腺評(píng)分≥3分[13]。只測(cè)量受試者的右眼。本研究經(jīng)溫州醫(yī)科大學(xué)附屬眼視光醫(yī)院醫(yī)學(xué)倫理委員會(huì)審批通過(guò)，所有受試者均簽署知情同意書(shū)。

1.2 AI模型的訓(xùn)練和測(cè)試

1.2.1 圖像預(yù)處理 使用眼表分析儀（德國(guó) OCULUS Optikgerate GmbH歐科路光學(xué)儀器有限責(zé)任公司，型號(hào)：Keratography 5M）拍攝60例受試者右眼上下眼瞼的瞼板腺圖像，并將其分為40幅訓(xùn)練圖像和20幅測(cè)試圖像。訓(xùn)練圖像中的瞼板腺由兩位高級(jí)職稱(chēng)醫(yī)師手動(dòng)標(biāo)注。在訓(xùn)練前，研究小組對(duì)40幅訓(xùn)練圖像進(jìn)行了如下的預(yù)處理。

（1）圖像轉(zhuǎn)換為灰度，如下所示：

Igray=Ir×0.299+Ig×0.587+Ib×0.114

其中，Igray是灰度值，Ir是RGB圖像的R通道的值，Ig是RGB圖像的G通道的值，Ib是RGB圖像的B通道的值。

（2）標(biāo)準(zhǔn)化。使用以下公式對(duì)圖像進(jìn)行標(biāo)準(zhǔn)化：

其中，Xstd是像素標(biāo)準(zhǔn)值，Xgray是像素灰度值，μ是像素平均值，σ是像素標(biāo)準(zhǔn)偏差。

（3）歸一化。使用以下公式對(duì)圖像進(jìn)行歸一化：

其中，Xnorm是像素歸一化值。

（4）直方圖用限制對(duì)比度自適應(yīng)直方圖均衡調(diào)整。瞼板腺圖像不均勻，有些圖像對(duì)比度低，有些曝光過(guò)度。因此，采用對(duì)比度受限的自適應(yīng)直方圖均衡化算法來(lái)提高全局對(duì)比度，防止在相對(duì)均勻的圖像區(qū)域過(guò)度放大噪聲。

（5）伽馬校正。每個(gè)像素的亮度由以下公式調(diào)整：

其中，X[范圍從（0，1）]是圖像中的原始像素值，Y是調(diào)整后的像素值。

原始的圖像（a）和預(yù)處理完成的圖像（b）見(jiàn)圖1。

圖1 原始圖像（a）和預(yù)處理圖像（b）

由于數(shù)據(jù)集只有40幅圖像，并且太小而無(wú)法訓(xùn)練一個(gè)CNN，因此筆者通過(guò)從每個(gè)訓(xùn)練圖像中隨機(jī)選擇子圖像塊來(lái)進(jìn)行數(shù)據(jù)增強(qiáng)，然后，使用80%的子圖像用于培訓(xùn)，剩下的20%用于驗(yàn)證。圖2顯示了從40萬(wàn)個(gè)子圖像中獲得的40幅圖像。

圖2 子圖像示例

1.2.2 系統(tǒng)設(shè)計(jì)與訓(xùn)練 本研究所使用的CNN結(jié)構(gòu)是基于U-Net網(wǎng)絡(luò)構(gòu)建的。卷積層的濾波器數(shù)量為32、64、128、64和32。交叉熵用于損失函數(shù)，Adam用于學(xué)習(xí)速率優(yōu)化。每個(gè)卷積層以整流線性單元（ReLU）作為激活函數(shù)，在兩個(gè)連續(xù)的卷積層之間使用0.2的丟失率來(lái)防止模型過(guò)度擬合。CNN模型的網(wǎng)絡(luò)結(jié)構(gòu)見(jiàn)圖3。

圖3 卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型的網(wǎng)絡(luò)結(jié)構(gòu)

在GTX 1070 8 G GPU上進(jìn)行120代計(jì)算，并使用4個(gè)小批量補(bǔ)丁，對(duì)迷你U-Net的訓(xùn)練持續(xù)大約15 h后，驗(yàn)證集獲得了最高0.895的交并比（intersection-ofunion，IoU），表明該模型已經(jīng)過(guò)訓(xùn)練完成，可以從圖像中提瞼板腺。

預(yù)測(cè)圖像的大小通常＞64×64像素，因此研究人員需要將預(yù)測(cè)圖像分成多個(gè)64×64像素的子畫(huà)面。最后，將所有子圖的結(jié)果合并，得到最終的預(yù)測(cè)結(jié)果。為了減少預(yù)測(cè)誤差，研究人員使用5個(gè)像素作為水平和垂直步長(zhǎng)來(lái)預(yù)測(cè)每個(gè)子畫(huà)面。這意味著每個(gè)子畫(huà)面將產(chǎn)生25個(gè)預(yù)測(cè)結(jié)果，研究人員將這25個(gè)預(yù)測(cè)結(jié)果的平均值作為子畫(huà)面的預(yù)測(cè)結(jié)果。

研究人員通過(guò)傳統(tǒng)的圖像處理方法對(duì)圖像進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)結(jié)果。提取步驟如下：（1）對(duì)圖像進(jìn)行中值濾波；（2）將圖像二值化；（3）在圖像中找到瞼板腺的輪廓。如果兩個(gè)等高線之間的垂直距離很小，則認(rèn)為這些等高線屬于同一個(gè)瞼板腺并且是連接在一起的。提取的瞼板腺在圖4中以灰白色顯示。

圖4 提取的瞼板腺

1.3 評(píng)價(jià)指標(biāo)

1.3.1 瞼板腺功能指標(biāo)

1.3.1.1 眼表疾病指數(shù)（ocular surface disease index，OSDI）[14]所有受試者均接受OSDI問(wèn)卷和眼部癥狀問(wèn)卷調(diào)查，并回答是否存在14種MGD相關(guān)的眼部癥狀：眼疲勞、分泌物、異物感、干燥、不適感、黏稠感、疼痛、溢淚、瘙癢、發(fā)紅、沉重感、眩光、過(guò)度眨眼和瞼板腺囊腫或瞼腺炎。根據(jù)出現(xiàn)的這些癥狀的數(shù)量，對(duì)癥狀從0～14進(jìn)行評(píng)分，分?jǐn)?shù)越高，說(shuō)明癥狀越明顯。

1.3.1.2 淚河高度（tear meniscus height，TMH） 使用眼表分析儀測(cè)量淚河高度并進(jìn)行瞼板腺紅外拍照，TMH測(cè)量方法采用眨眼5 s后測(cè)量下眼瞼中央TMH，正常值在0.20 mm左右。

1.3.1.3 淚膜破裂時(shí)間（tear film break-up time，TBUT）和角膜熒光素染色（corneal fluorescein staining，CFS）評(píng)分[13]滴入熒光素后進(jìn)行CFS評(píng)分和TBUT測(cè)定。TBUT測(cè)定3次，取其平均值，正常值為＞10 s。CFS評(píng)分標(biāo)準(zhǔn)如下：在5個(gè)區(qū)域（中央、顳、鼻、上、下）評(píng)估角膜熒光素染色（0個(gè)點(diǎn)=0，1～5個(gè)點(diǎn)=1，6～15個(gè)點(diǎn)=2，16～30個(gè)點(diǎn)=3，＞30個(gè)點(diǎn)=4）；如果發(fā)現(xiàn)融合染色，染料擴(kuò)散到周?chē)纳掀せ蚧|(zhì)，則根據(jù)融合區(qū)域的數(shù)量或角膜絲狀物的存在進(jìn)行評(píng)分（1個(gè)融合區(qū)域，加1分；2個(gè)或2個(gè)以上融合區(qū)域，加2分），染色評(píng)分范圍為0～20分，分?jǐn)?shù)越高，說(shuō)明角膜上皮損傷越重。

1.3.1.4 瞼緣異常評(píng)分 根據(jù)黏膜交界處前后移位、血管充盈、瞼板腺孔堵塞、眼瞼邊緣不規(guī)則4項(xiàng)參數(shù)對(duì)眼瞼邊緣異常進(jìn)行評(píng)分，每項(xiàng)評(píng)分0～4分，分?jǐn)?shù)越高說(shuō)明瞼緣異常程度越大。

1.3.1.5 瞼板腺表達(dá)能力評(píng)分[15]評(píng)分標(biāo)準(zhǔn)如下：0分，清亮的瞼脂容易排出；1分，輕微壓力下排出混濁的瞼脂；2分，超過(guò)中等壓力下才能排出混濁的瞼脂；3分，即使很大的壓力下也無(wú)瞼脂排出。每個(gè)眼瞼瞼板腺表達(dá)能力評(píng)分范圍為0～45分，分?jǐn)?shù)越低說(shuō)明瞼板腺分泌功能越接近正常。

1.3.1.6 瞼板腺評(píng)分[16]評(píng)分標(biāo)準(zhǔn)如下：0分，無(wú)萎縮；1分，萎縮面積＜1/3的瞼板總面積；2分，萎縮面積介于1/3～2/3的瞼板總面積；3分，萎縮面積＞2/3的瞼板總面積。將上下瞼的瞼板腺評(píng)分相加，得到每只眼睛的瞼板腺評(píng)分范圍為0～6，分?jǐn)?shù)越高，說(shuō)明瞼板腺萎縮越嚴(yán)重。

1.3.2 瞼板腺形態(tài)指標(biāo) 提取瞼板腺腺體后，計(jì)算腺體的以下指標(biāo)。

（1）瞼板腺密度。計(jì)算每根瞼板腺的面積（Smg）（以像素為單位），然后用每個(gè)瞼板上所有腺體面積總和與瞼板的面積（St）作對(duì)比，公式如下:

（2）平均眼瞼瞼板腺寬度。所有瞼板腺寬度總和除以腺體數(shù)量，包括平均上眼瞼瞼板腺寬度、平均下眼瞼瞼板腺寬度、平均全眼瞼瞼板腺寬度。

（3）平均眼瞼瞼板腺長(zhǎng)度。所有瞼板腺長(zhǎng)度總和除以腺體數(shù)量，包括平均上眼瞼瞼板腺長(zhǎng)度、平均下眼瞼瞼板腺長(zhǎng)度、平均全眼瞼瞼板腺長(zhǎng)度。

（4）平均眼瞼瞼板腺?gòu)澢?。所有瞼板腺?gòu)澢瓤偤统韵袤w數(shù)量，包括平均上眼瞼瞼板腺?gòu)澢?、平均下眼瞼瞼板腺?gòu)澢?、平均全眼瞼瞼板腺?gòu)澢取?/p>

2 結(jié)果

2.1 兩組受試者瞼板腺功能指標(biāo)比較 與正常組比較，MGD組患者TBUT減少，瞼板腺表達(dá)能力評(píng)分降低，OSDI、瞼緣異常評(píng)分和瞼板腺評(píng)分均升高，差異均有統(tǒng)計(jì)學(xué)意義（均 P＜0.01），見(jiàn)表 1。

表1 兩組受試者瞼板腺功能指標(biāo)比較

2.2 兩組受試者瞼板腺形態(tài)指標(biāo)比較 與正常組比較，MGD患者平均上眼瞼瞼板腺長(zhǎng)度、平均下眼瞼瞼板腺長(zhǎng)度和平均全眼瞼瞼板腺長(zhǎng)度均明顯縮短，上眼瞼瞼板腺密度、下眼瞼瞼板腺密度和全眼瞼瞼板腺密度均明顯減小，差異均有統(tǒng)計(jì)學(xué)意義（均P＜0.01）。兩組受試者平均眼瞼瞼板腺寬度和彎曲度比較差異均無(wú)統(tǒng)計(jì)學(xué)意義（均 P＞0.05），見(jiàn)表 2。

表2 兩組受試者瞼板腺形態(tài)指標(biāo)比較

2.3 60例受試者瞼板腺形態(tài)指標(biāo)與功能指標(biāo)的相關(guān)性分析 平均上眼瞼瞼板腺長(zhǎng)度與TBUT、瞼板腺表達(dá)能力評(píng)分均呈正相關(guān)（均P＜0.05），與OSDI、瞼板腺評(píng)分均呈負(fù)相關(guān)（均P＜0.05）；平均上眼瞼瞼板腺寬度與瞼緣異常評(píng)分、瞼板腺評(píng)分均呈正相關(guān)（均P＜0.05）；平均上眼瞼瞼板腺?gòu)澢扰c瞼板腺表達(dá)能力評(píng)分呈負(fù)相關(guān)（P＜0.05）；瞼板腺密度與TBUT、瞼板腺表達(dá)能力評(píng)分均呈正相關(guān)（均P＜0.05），與CFS評(píng)分、瞼板腺評(píng)分均呈負(fù)相關(guān)（均P＜0.05）。平均下眼瞼瞼板腺長(zhǎng)度與TBUT、瞼板腺表達(dá)能力評(píng)分均呈正相關(guān)（均P＜0.05），與瞼緣異常評(píng)分、瞼板腺評(píng)分均呈負(fù)相關(guān)（均P＜0.05）；平均下眼瞼瞼板腺寬度與TBUT呈正相關(guān)（P＜0.05），與瞼板腺評(píng)分呈負(fù)相關(guān)（P＜0.05）；瞼板腺密度與TBUT、瞼板腺表達(dá)能力評(píng)分均呈正相關(guān)（P＜0.05），與CFS評(píng)分、瞼板腺評(píng)分均呈負(fù)相關(guān)（均P＜0.05）。平均全眼瞼瞼板腺長(zhǎng)度與TBUT、瞼板腺表達(dá)能力評(píng)分均呈正相關(guān)（均P＜0.05），與 OSDI、瞼板腺評(píng)分均呈負(fù)相關(guān)（均 P＜0.05）；瞼板腺密度與TBUT、瞼板腺表達(dá)能力評(píng)分均呈正相關(guān)（均 P＜0.05），與 OSDI、CFS評(píng)分、瞼緣異常評(píng)分、瞼板腺評(píng)分均呈負(fù)相關(guān)（均P＜0.05），見(jiàn)表3。

表3 瞼板腺形態(tài)指標(biāo)與功能指標(biāo)的相關(guān)性分析（r值）

3 討論

本研究介紹了一個(gè)基于CNN的AI系統(tǒng)，該系統(tǒng)使用了計(jì)算機(jī)視覺(jué)領(lǐng)域的最新技術(shù)[17-18]，可以自動(dòng)分析瞼板腺的形態(tài)，包括瞼板腺長(zhǎng)度、寬度、密度和彎曲度。計(jì)算機(jī)會(huì)在不斷的訓(xùn)練中自動(dòng)提取圖片的高維度特征并建立這些特征與結(jié)果間的內(nèi)在聯(lián)系。這就在一定程度上排除了人為主觀因素可能對(duì)結(jié)果產(chǎn)生的干擾。自動(dòng)獲取瞼板腺腺體并計(jì)算其形態(tài)特征是一個(gè)巨大的挑戰(zhàn)，以往的研究對(duì)輸入圖像有嚴(yán)格的要求，如果眼瞼區(qū)域出現(xiàn)皺褶、反光等干擾因素時(shí)，會(huì)導(dǎo)致腺體的形狀從規(guī)則的條狀變形為片狀或分散狀，檢測(cè)結(jié)果并不理想[19-20]。為了解決這一問(wèn)題，本研究的算法對(duì)圖像識(shí)別進(jìn)行了優(yōu)化，并將這些算法與傳統(tǒng)的數(shù)字圖像處理算法（如對(duì)比度調(diào)整、低通濾波、腐蝕、膨脹等）相結(jié)合，提高了相同背景下瞼板腺的識(shí)別率。此外，由于使用了先進(jìn)的圖像分割模型和U-Net系統(tǒng)，即使在本研究中受試者人數(shù)較少，檢測(cè)瞼板腺形態(tài)的準(zhǔn)確性也非常高（IoU達(dá)到0.895，重復(fù)率達(dá)到100%）。目前筆者團(tuán)隊(duì)僅使用GTX 1070 8 G GPU已經(jīng)可以在100 ms內(nèi)處理一張圖片，隨著算力的提高，使得數(shù)萬(wàn)幅圖像在毫秒內(nèi)同時(shí)完成分析成為可能。計(jì)算機(jī)輔助的瞼板腺分析系統(tǒng)可以大大提高分析的準(zhǔn)確性和效率，降低分析的成本，克服人工標(biāo)記主觀上的誤差。瞼板腺形態(tài)的詳細(xì)分析是確定MGD嚴(yán)重程度的重要指標(biāo)[21-22]。本研究比較了正常組和MGD組瞼板腺長(zhǎng)度、寬度、彎曲度和密度的差異。結(jié)果顯示，MGD組患者平均瞼板腺長(zhǎng)度較正常組明顯縮短，瞼板腺密度也較正常組明顯減小，但兩組平均瞼板腺寬度和彎曲度無(wú)明顯差異。MGD患者的瞼板腺分泌物排出阻力增加，瞼板腺腺體的壓力過(guò)大，眼表情況的進(jìn)一步惡化，導(dǎo)致瞼板腺病變的加重，瞼板腺長(zhǎng)度縮短，并且出現(xiàn)腺體的萎縮，導(dǎo)致瞼板腺密度開(kāi)始降低。如果病情得不到控制，瞼板腺功能障礙進(jìn)一步加重，瞼板腺密度會(huì)進(jìn)一步降低，直至接近0%。與之前的研究[23-26]相似，本研究中AI系統(tǒng)顯示瞼板腺的腺體長(zhǎng)度和密度與癥狀、淚膜穩(wěn)定性、瞼緣異常評(píng)分和瞼板腺表達(dá)能力均相關(guān)，說(shuō)明瞼板腺的腺體長(zhǎng)度和密度可以作為計(jì)算機(jī)輔助的MGD診斷的有效指標(biāo)。與以往的研究[5，26-28]不同，本研究采用高性能、高精度的AI系統(tǒng)，可以提取每個(gè)腺體并分析其長(zhǎng)度、寬度、彎曲度等，每根腺體提取積累后在計(jì)算腺體面積和整個(gè)瞼板面積的比例，精確度較傳統(tǒng)的腺體面積計(jì)算方法大大提高。結(jié)果表明，AI系統(tǒng)能夠準(zhǔn)確地得到瞼板腺的缺失面積，減少了由于分級(jí)過(guò)渡區(qū)附近的誤差而導(dǎo)致的分級(jí)系統(tǒng)的不一致性和可變性。如果想要在人工分析中采用筆者團(tuán)隊(duì)的這種瞼板腺分析方法是不現(xiàn)實(shí)的，因?yàn)檫@種分析方法需要大量的人工工作量，不可能作為常規(guī)的評(píng)估指標(biāo)，但是AI系統(tǒng)的特點(diǎn)恰恰適合這種需要大量分析工作的任務(wù)。

本研究也有局限性。研究中使用的算法是一種通用算法。如果將該算法進(jìn)一步發(fā)展成為專(zhuān)門(mén)針對(duì)瞼板腺圖像的一種特殊算法，則瞼板腺形態(tài)識(shí)別有望獲得更高的準(zhǔn)確率。此外，本研究的樣本量也較小，未來(lái)的研究中，筆者團(tuán)隊(duì)將招募更多的受試者來(lái)訓(xùn)練和測(cè)試AI系統(tǒng)。

綜上所述，基于CNN的AI系統(tǒng)只需幾十個(gè)訓(xùn)練實(shí)例就可以自動(dòng)檢測(cè)和識(shí)別瞼板腺。它是一個(gè)準(zhǔn)確、高效的瞼板腺形態(tài)學(xué)評(píng)價(jià)系統(tǒng)，在臨床上，該系統(tǒng)可以大大提高M(jìn)GD診斷的靈敏度和準(zhǔn)確度，減少觀察者主觀方面導(dǎo)致的誤差，降低醫(yī)務(wù)人員的工作量。在未來(lái)的研究中，將通過(guò)AI系統(tǒng)得到瞼板腺形態(tài)各項(xiàng)參數(shù)，并進(jìn)行一種更加細(xì)致的量化評(píng)分，從而提出一種新的客觀的MGD形態(tài)學(xué)診斷標(biāo)準(zhǔn)，這具有非常大的市場(chǎng)前景和臨床意義。