基于眶周特征的先进眶周距离预测与疾病分类

眶周距离是诊断和监测一系列眼整形和颅面疾病的关键标志。然而，人工测量具有主观性且易受评估者间变异性的影响。目前已开发了自动化方法，但仍受限于标准化成像要求、数据集规模小以及仅侧重于单一测量指标。我们构建了一个在健康眼睛特定领域数据集上训练的分割流水线，并将其性能与 Segment Anything Model (SAM) 及先前基准 PeriorbitAI 进行了比较。在多种疾病类别和成像条件下评估了分割准确度。我们进一步研究了在分布内和分布外（OOD）设置下，将预测的眶周距离作为疾病分类特征的应用，并比较了浅层分类器、CNN 和融合模型。我们的分割模型在所有数据集上均取得了 SOTA 准确度，误差率在评估者间变异性范围内，且性能优于 SAM 和 PeriorbitAI。在分类任务中，基于眶周距离训练的模型在 ID 数据上匹配了 CNN 的性能（77--78\% 准确率），并在 OOD 条件下大幅优于 CNN（63--68\% 准确率 vs. 14\%）。融合模型实现了最高的 ID 准确率（80\%），但在 OOD 偏移下对退化的 CNN 特征敏感。源自分割的眶周距离为疾病分类提供了鲁棒且可解释的特征，并且在域偏移下比 CNN 图像分类器具有更好的泛化能力。这些结果为眶周距离预测建立了新的基准，并突显了基于解剖结构的 AI 流水线在眼整形和颅面护理实际部署中的潜力。