与光科技创始人清华大学黄翊东教授团队崔开宇课题组联合北京协和医院、眼底病智能诊断及药械研发与转化北京市重点实验室，立足计算光学与眼科学融合视角，创新性提出睑板腺光谱病理检测新思路。
论文题目 | Diagnosis of meibomian gland dysfunction based on spectral convolutional neural network chip
作者 | 师悦 Yue Shi1,2，刘天昊 Tianhao Liu3, 阳珊 Shan Yang1,2，狄宇 Yu Di1,2，李莹 Ying Li1,2，于伟泓 Weihong Yu1,2，黄翊东 Yidong Huang3，陈迪 Di Chen1,2，崔开宇 Kaiyu Cui3
完成单位: 1.中国医学科学院 北京协和医院 眼科 2.眼底病智能诊断及药械研发与转化北京市重点实验室 3.清华大学 电子工程系
研究背景
在现代高强度用眼环境下，干眼病已成为最常见的眼表疾病之一，全球患者超过3.4亿。其中约70%为蒸发过强型，而睑板腺功能障碍（MGD）是其最主要病因。睑板腺分泌睑酯形成泪膜外层，维持泪液稳定，具有抑制泪液蒸发、维持眼表稳态的重要生理功能。
目前MGD诊断依赖症状评估、泪膜破裂时间等传统方法，主观性强且难以识别早期病变。在影像学方面，临床常用的红外成像技术虽能反映睑板腺形态，但无法评估其功能状态，也无法监测睑酯成分的动态变化。
光谱携带着丰富的光与物质相互作用的信息，所以也被称为物质的“指纹”。通过光谱分析可以实现生物组织成分的鉴别。传统光谱成像依赖空间或波长逐点扫描，无法实时捕获视场内各点的光谱信息。基于超表面的快照式技术则突破了这一局限：利用不同结构的超表面单元对空间各点入射光进行宽带调制，由图像传感器采集信号后经计算重建获得光谱，再通过空间阵列化集成即可实现快速光谱成像。本研究首次将超表面光谱成像芯片应用于睑板腺组织成分的监测，并与人工智能算法有机融合，旨在构建MGD的精准诊断方案，为眼表疾病的智能化、实时化检测提供技术支撑。
导读
本研究首次从“光谱病理”视角出发，系统解析了MGD患者睑板腺组织的光学特征。结果显示，与健康组织相比，MGD在500–600 nm、600–700 nm及800–900 nm三个关键波段呈现出显著差异性的光谱信号。这些变化与血红蛋白及其衍生物和睑脂成分异常密切相关，为从分子与成分层面理解MGD提供了新的实验证据。
在此基础上，研究进一步引入前沿的超表面光谱卷积神经网络（SCNN）芯片，构建高效的智能诊断模型。该芯片将光学卷积运算与CMOS图像传感器深度集成，无需机械扫描，即可在数十毫秒内完成光谱信息采集与在传感器端的实时计算。实验结果表明，SCNN模型对MGD的诊断准确率达96.22%，显著优于传统RGB图像分析（84.00%）。
本研究不仅首次实现了MGD的光谱病理建模，还创新性地将光学神经网络芯片应用于眼表疾病诊断，充分展现了干眼相关疾病向“精准化、快速化、微型化”检测方向发展的巨大潜力，为未来无创、实时的临床筛查提供了重要的技术路径。
X特点
本研究的核心“X点”在于，以超表面光谱芯片为技术纽带，实现光学/光子学与眼科学、病理诊断及人工智能的深度交叉融合，构建从光谱信号获取到临床智能判读的一体化新范式。
1. 光谱学 × 眼科学：从主观评估到客观光学表征 基于450–1000 nm波段的光谱成像技术，本研究首次解析了MGD睑板腺组织的“光谱指纹”，在血红蛋白及其衍生物与睑酯成分波段发现了显著的光谱差异，将干眼诊断从传统的主观临床与睑板腺形态学评估推进至客观、定量的重要组织成分的光学表征层面。
2. 光学神经网络 × 病理诊断：感内计算重构诊断流程 超表面SCNN芯片将光学卷积层与CMOS图像传感器深度集成，实现了“感内计算”架构。该芯片无需机械扫描，可在数十毫秒内同步完成光谱采集与特征提取，从根本上重构了传统“先采集、后计算”的串行诊断流程。
3. 光谱芯片 × 临床应用：小型化平台验证诊断效能 该光谱芯片具备小型化、低功耗与高速度的突出优势，在真实临床样本中实现了96.22%的诊断准确率，为MGD的实时、无创、组织成分检测提供了切实可行的技术路径。
总结：本研究以超表面光谱成像芯片为核心交叉节点，将光谱光学、在传感器人工智能计算与眼科临床需求深度融合，成功突破了“快、准、小”三者难以兼顾的技术瓶颈，代表了光谱学技术驱动医学诊断范式变革的新方向。
主要研究内容
一、基于SCNN芯片的光谱特征图采集
研究采用基于超表面的SCNN芯片，在光学显微镜下获取睑板腺病理切片的光谱特征图。该芯片由175×123个光学卷积单元构成，每个单元集成9个（3×3）卷积核，最终输出175×123×9的三维光谱特征图。与商用高光谱系统需数十秒完成扫描不同，SCNN芯片无需机械扫描，单次曝光即可完成采集，时间缩短至数十毫秒。
二、睑板腺组织成分的光谱特征分析
通过对比MGD组与对照组，揭示了两个关键波段的光谱差异：在600–700 nm波段，MGD患者睑板腺区域及非睑板腺区域的光谱系数均显著高于对照组（P < 0.05）。该波段与血红蛋白及其衍生物（如氧合血红蛋白、碳氧血红蛋白）的吸收特性高度相关，提示MGD作为一种慢性炎症性疾病，可能引起了局部组织血流灌注或血氧饱和度的改变。在800–900 nm近红外波段，MGD患者睑板腺区域的光谱系数显著低于非睑板腺区域（P < 0.01），且该区域的光谱系数在MGD与对照组间也存在显著差异（P < 0.01）。该波段与脂质成分的散射特性密切相关，可能反映了睑板腺腺泡内脂质堆积、成分改变或组织结构紊乱导致的光散射特性变化。
三、亚组分析验证光谱系数的临床有效性
亚组分析显示：泪膜破裂时间较低组（TBUT < 10 s）在600–700 nm及800–900 nm波段的光谱系数显著高于正常组（P < 0.001），该趋势在TBUT 以5秒和8秒作为截断值下得到一致验证。眼表疾病指数较高组（OSDI ≥ 13）、睑板腺排出能力较差组（MGEX ≥ 3）及睑脂质量较差组（Meibum quality ≥ 1）在这些波段同样表现出显著升高的光谱系数（P < 0.001）。在人口学特征方面，年龄<50岁的患者光谱系数显著高于年龄≥50岁的患者，女性患者的光谱系数显著高于男性患者，上述差异在多个波段均具有统计学意义。这些结果与MGD的临床流行病学特征相符，进一步佐证了光谱数据的生物学相关性。
四、模型性能比较
将SCNN芯片输出的光谱特征图输入电子神经网络层进行二分类训练，同时构建基于商用高光谱数据和RGB图像的CNN模型作为对比，采用蒙特卡洛交叉验证评估性能。SCNN模型平均准确率达96.22%，平均精确率96.34%，平均召回率96.29%，F1分数96.22%；基于商用高光谱数据的模型准确率为95.88%，而基于RGB图像的模型仅为84.00%。SCNN在保持与商用高光谱相当诊断精度的同时，采集速度提升约三个数量级。
技术突破与创新点
本研究在MGD诊断领域取得多项原创性突破，包括构建了睑板腺光谱数据库、发现了特征性光谱标志物、将光谱神经网络芯片应用于睑板腺功能诊断，并显著提升了诊断效率，为眼表疾病的精准诊断开辟了新路径。
一、首次建立MGD睑板腺病理切片光谱数据库
本研究首次开展了人睑板腺病理组织光谱数据的采集与分析工作。研究团队从MGD患者和健康对照者的睑板腺病理切片中，获取了覆盖450–1000 nm波段的高质量光谱数据，共计185幅高光谱图像、185幅SCNN光谱特征图和152幅RGB图像。该数据库不仅记录了组织形态学信息，更包含了血红蛋白、睑脂等关键生化成分的光谱特征，为后续光谱病理诊断模型的构建提供了宝贵的数据基础。
二、首次揭示MGD相关的特征性光谱标志物
传统睑板腺相关影像学（如红外成像）仅能观察睑板腺的形态学改变，无法评估其功能状态。本研究首次从光谱维度定义了MGD的“分子影像标志物”：通过对比MGD组织与健康组织的固有光谱特征，发现了在血红蛋白相关波段（反映炎症与血氧代谢）和睑脂相关波段（反映脂质成分与散射特性）上具有统计显著且临床可重复的差异。进一步结合多项临床指标（泪膜稳定性、症状评分、腺体分泌功能等）的亚组验证，证实这些光谱标志物能够客观反映疾病的严重程度及不同人群的发病特征。这一发现将MGD的诊断从“看形态”推进至“识成分”，为无创、定量、功能性的眼表疾病评估提供了全新的生物物理靶点。
三、首次将光学神经网络芯片应用于MGD诊断
本研究首次将基于超表面的光谱卷积神经网络（SCNN）芯片用于MGD的病理诊断。传统高光谱成像系统依赖机械扫描或可调谐滤波器，单次成像需数十秒，无法补偿眼球的微动，也难以捕捉动态生理过程。而SCNN芯片采用超表面阵列与CMOS图像传感器单片集成的方式，实现了“感内计算”：超表面阵列中的每个卷积核具有特定的透射光谱，与入射光做哈达玛积后由下方CIS像素积分，直接输出光谱特征图。整个过程无需扫描，单次曝光时间与传统RGB相机相当（数十毫秒），速度提升约1000倍。光学卷积层完成特征提取后，仅需轻量化的电子神经网络即可完成分类，大幅降低了后端的计算负担。
四、诊断精度与效率的双重突破
本研究表明，SCNN模型的平均诊断准确率达96.22%，与商用高光谱成像系统的95.88%相当，但采集时间从数十秒缩短至数十毫秒。更重要的是，该芯片体积小、功耗低，与CMOS工艺兼容，具备大规模生产和集成到便携式设备中的潜力。这意味着未来有望实现手持式、实时、无创的MGD在体诊断，改变现有临床工作流程。
结论与展望
本研究首次从光谱维度系统揭示了MGD相关组织成分的特征性生物标志，并创新性地将基于超表面的光谱卷积神经网络芯片引入MGD诊断。结果表明，该芯片可在数十毫秒内完成光谱特征采集与卷积计算，实现96.22%的高准确率，在保持与商用高光谱系统相当诊断性能的同时，将检测速度提升约三个数量级，且明显优于传统RGB图像方法，展现出光子芯片在医学诊断中的独特优势。
展望未来，该研究有望沿以下方向进一步拓展：其一，发展适用于眼表的在体实时光谱成像技术，实现从离体病理向临床即时检测的转化；其二，扩大MGD光谱数据库并优化模型结构，提升算法的泛化能力与稳定性；其三，向900–1700 nm近红外波段延伸，深入解析睑脂不同脂质组分的精细光谱特征；其四，推动SCNN芯片的小型化与系统集成，最终实现手持式、无创、实时的MGD诊断设备。总体而言，该技术路线有望推动干眼诊疗向精准化、快速化与智能化方向发展，具有重要的临床转化前景。
主要作者介绍
师悦，中国医学科学院北京协和医院眼科临床医学博士后，中共党员。2023年毕业于北京协和医学院临床医学八年制专业，同年进入北京协和医院临床医学博士后项目，师从北京协和医院眼科李莹教授、陈迪副教授。专业方向为眼表疾病及近视矫正手术。以第一作者/共同第一作者发表10余篇SCI论文。多次在国际及国内眼科学术会议发言或担任特邀翻译。参译《临床胜任力评价实用指南（第2版）》、《眼科学》第六版等多部专著。
刘天昊，清华大学电子工程系博士研究生。专业方向为基于超表面的新型智能感知光电子器件与感算一体芯片。作为项目骨干参与国家重点研发计划、科技创新2030重大项目等国家课题。相关工作获第三届应用物理会议优秀海报奖项。
陈迪，北京协和医院眼科副教授、副主任医师，硕士生导师，主任助理，北京协和医学院临床医学八年制博士，美国哈佛大学医学院麻省眼耳鼻喉医院Schepens眼科研究博士后，专业方向为眼表疾病及近视矫正手术。近年来发表同行评议论文50余篇，主持国自然青年、北自然面上等多项国家及省部级课题。现任海峡两岸医药卫生交流协会眼科学专业委员会眼表与泪液疾病学组委员，中国女医师协会眼科学分会青年委员，中国微循环学会眼微循环分会委员。
崔开宇，清华大学电子工程系长聘副教授、周炳琨学者，入选国家级青年人才计划。作为项目负责人，主持科技部重点研发计划颠覆性技术项目、国家科技重大专项课题、国家自然科学基金项目等。近五年以通讯作者在Nature Reviews Electrical Engineering、Nature Communications、Science Advances等期刊发表论文，多篇成果入选ESI高被引论文。获天津市技术发明奖特等奖、中国光学十大进展提名奖等荣誉。现任Photonics Research期刊 Associate Editor、Photonics Insights期刊青年编委、中国激光杂志社北京分社副社长兼秘书长，及北京与光科技有限公司创始人兼首席科学家。
本文出处：
发表于：PhotoniX
论文链接： https://link.springer.com/article/10.1186/s43074-026-00246-2
文献检索： PhotoniX 7,25(2026).https://doi.org/10.1186/s43074-026-00246-2