Ojo Seco: Actualización de Inteligencia Artificial

Por Christine Yue Leonard, editora asociada sénior

Se espera que la inteligencia artificial proporcione información sobre las causas del ojo seco, así como ayuda al diagnóstico y desarrollo de tratamientos. Los expertos dicen que las futuras herramientas de toma de decisiones clínicas ayudarán a satisfacer las demandas de atención de esta creciente población.

El ojo seco es una enfermedad difícil de precisar teniendo en cuenta sus muchas posibles etiologías, signos y síntomas. La inteligencia artificial promete ayudar al diagnóstico y tratamiento del ojo seco, pero también enfrenta varios obstáculos para “comprender” esta condición, desde la interpretación de imágenes complejas¹ hasta el entrenamiento sin un conjunto de criterios de diagnóstico unificados, lo que también limita la capacidad de comparar el rendimiento entre estudios.

A pesar de estos desafíos, se espera que la investigación de IA en ojo seco crezca en las siguientes áreas: mejora de la clasificación propuesta por las plataformas de ojo seco, cuantificación objetiva de mediciones cualitativas y establecimiento de puntuaciones de gravedad o pronóstico a través de enfoques multimodales.²

Agregar más objetividad a las pruebas cualitativas no solo mejorará el poder de los estudios de ojo seco, sino que también permitirá que más pacientes reciban diagnósticos precisos y eficientes por parte de más médicos. “Existen las pruebas clínicas estándar para el ojo seco, pero estas pruebas son subjetivas, y hacer el diagnóstico requiere un cierto nivel de experiencia en interpretación”, dice el Dr. Stephen Pflugfelder, profesor y titular de la Cátedra James and Margaret Elkins de Oftalmología en el Baylor College of Medicine, en Houston. “La inteligencia artificial podría ayudar en este sentido. Si bien aún no se usa [ampliamente] en el espacio de la clínica de ojo seco, puede ser en el futuro para ayudar al diagnóstico y proporcionar apoyo para la decisión clínica. Es un área emocionante.”

Aquí, revisaremos algunas de las últimas áreas de investigación de IA en la enfermedad del ojo seco.

Analizando la película lagrimal

La pérdida de la homeostasis de la película lagrimal, la inflamación de la superficie ocular, la hiperosmolaridad y los problemas de calidad de vida, como la irritación ocular y las alteraciones visuales, son características de la enfermedad del ojo seco.³ Pero, como saben los médicos, los signos del ojo seco no siempre se correlacionan con los síntomas descritos por los pacientes. Ninguna prueba clínica puede diagnosticar definitivamente la enfermedad del ojo seco.³ En cambio, se emplean múltiples pruebas subjetivas, como el de Schirmer, el tiempo de ruptura de lágrimas y la tinción con tinte con fluoresceína y verde lisamina, junto con los síntomas informados por el paciente y el uso de cuestionarios. Como señalan los expertos, procesar todos estos datos de múltiples modalidades requiere un tiempo y una habilidad considerables, pero la IA podría ayudar. Así es como evolucionan los algoritmos:

• Combinación de pruebas clínicas. Los algoritmos de clasificación de aprendizaje automático para detectar el tiempo de ruptura de la película lagrimal mostraron una buena precisión en un pequeño estudio piloto publicado el año pasado en Nature.⁴ Los investigadores probaron múltiples algoritmos en datos recopilados retrospectivamente de 431 pacientes de una clínica noruega de ojo seco, que incluían tinción de la superficie ocular, expresividad y disfunción de la glándula de Meibomio, calidad del meibum, meiboscore, frecuencia de parpadeo y osmolaridad lagrimal. Los algoritmos identificaron la edad, la tinción de la superficie ocular, el test de Schirmer y el test OSDI como los predictores más importantes asociados con la inestabilidad de la película lagrimal, seguidos de las características de la glándula de Meibomio.
• Cámaras de lámpara de hendidura. Este año, los investigadores han desarrollado un algoritmo para estimar el tiempo de ruptura de la película lagrimal a partir de videos de lámpara de hendidura grabados con un dispositivo portátil de su propia invención (Smart Eye Camera).⁵ El algoritmo se entrenó en 16.440 marcos oculares de luz azul mejorados con fluorescencia anotados para ruptura de la película lagrimal por un especialista en ojo seco. Se diagnosticó un caso de enfermedad de ojo seco cuando el modelo estimó el tiempo de ruptura de la película lagrimal ≤5 segundos y la entrada de OSDI >13. Utilizando los criterios diagnósticos de Asia Dry Eye Society para 22.172 cuadros anotados (158 ojos de 79 pacientes), el algoritmo demostró una precisión de la estimación de la ruptura de la película lagrimal de 0,789 y un área bajo la curva de 0,877. La sensibilidad y especificidad fueron 0,778 y 0,857, respectivamente.
• OCT del segmento anterior. Se han desarrollado varios modelos de IA para detectar la enfermedad del ojo seco a partir de los parámetros del menisco lagrimal utilizando imágenes de OCT del segmento anterior. Un paper de 2021 que describe un modelo de deep-learning para AS-OCT y ojo seco informó capacidades de diagnóstico autónomo confiables.⁶ El modelo se entrenó y probó en 27.180 imágenes de AS-OCT recopiladas prospectivamente de 151 ojos de 91 pacientes. Se realizaron pruebas clínicas de ojo seco en el grupo DED (Dry Eye Disease) para comparación. El modelo logró una precisión del 84,62%, una sensibilidad del 86,36% y una especificidad del 82,35% para el diagnóstico de DED. La puntuación media de probabilidad de DED fue de 0,81 ±0,23 en el grupo de DED y de 0,20 ±0,27 en el grupo de control (p<0,01). La precisión del diagnóstico fue significativamente mejor con el modelo que con la tinción corneal, la tinción conjuntival y el test de Schirmer (<0,05). Hubo diferencias significativas entre la precisión diagnóstica del modelo en comparación con OSDI y TBUT.

Consulte la edición del año pasado de Review of Cornea & External Disease para una exploración en profundidad de la inteligencia artificial para la córnea. www.reviewofophthalmology.com

Otros modelos de deep-learning para el diagnóstico basado en AS-OCT incluyen un modelo entrenado en 158.220 imágenes de 879 ojos de 478 participantes que tenían un AUC > 0.99, un área bajo la curva de recuperación de precisión >0.96 y puntajes F1 >0.90 para el diagnóstico de DED;⁷ un modelo de diagnóstico multivariable basado en regresión de bosque aleatorio con datos de mapeo epitelial corneal que tenía alta sensibilidad (el 86.4%) y especificidad (el 91.7%), lo que sugiere que agregar datos de mapeo epitelial corneal puede mejorar la precisión del diagnóstico de DED;⁸ y un modelo de deep-learning para segmentar el menisco lagrimal inferior.⁹

El modelo de segmentación del menisco lagrimal inferior entrenó redes neuronales convolucionales profundas en 6.658 imágenes etiquetadas por un algoritmo de segmentación basado en umbrales.⁹ Se compararon dos enfoques: uno que segmentaba directamente el menisco lagrimal y otro, que primero localizaba la región de interés y luego realizaba la segmentación a una resolución más alta de una sección de imagen. La validación cruzada de cinco veces mostró una sensibilidad del 96.36% y el 96.43% para cada enfoque, respectivamente; una especificidad del 99.98% y el 99.86%; y un índice de Jaccard del 93.24% y el 93.16%.

• Interferometría. Se han publicado pocos estudios que utilizan interferometría hasta la fecha. Los expertos dicen que el análisis de IA para la película lagrimal tiene potencial como herramienta de detección una vez que las mejoras tecnológicas en el procesamiento de imágenes, como una mejor resolución y contraste, facilitan el análisis de la IA.¹⁰

Investigadores en Japón crearon un modelo de diagnóstico basado en IA para el interferómetro lagrimal DR-1α (Kowa), que previamente demostró subtipificar el ojo seco basado en patrones marginales, como condición lagrimal normal, ojo seco con deficiencia acuosa u ojo seco evaporativo.¹¹ Su modelo se construyó utilizando 11 características de imagen predeterminadas para distinguir los tres subtipos obtenidos utilizando el mismo instrumento, y se entrenó en 138 imágenes de cada tipo, así como en imágenes de control. Se probó el modelo en 100 películas interferométricas obtenidas de controles o pacientes con ojo seco. El grupo informó un diagnóstico fiable de IA, con puntuaciones F de 0,954, 0,806 y 0,762 para los tipos de patrones deficientes en agua, evaporativos y normales.

En 2020, un grupo en Brasil propuso un método computacional para abordar los desafíos relacionados con la clasificación de los patrones de interferencia de la capa lipídica.¹² En el sistema automatizado, la región de interés está segmentada y las características se extraen utilizando índices de diversidad filogenética. Las imágenes de interferometría se clasifican utilizando máquinas de vectores de soporte, bosque aleatorio, Naive Bayes, Perceptron multicapa, árbol aleatorio y RBFNetwork. Finalmente, se validan los resultados. El método demostró una precisión del 97,54%, un AUC de 0,99, un índice Kappa de 0,96 y una puntuación F de 0,97.

• Queratografía. Un modelo de aprendizaje de transferencia profundo pudo identificar directamente la enfermedad del ojo seco utilizando fotogramas de video de la superficie ocular con un área bajo la curva de 0.98.¹³ El estudio retrospectivo de 2023 incluyó 244 videos de la superficie ocular (Keratograph 5M, Oculus) de 244 ojos (116 ojos normales, 128 con enfermedad del ojo seco) para evaluar la película lagrimal. Según el estudio, los mapas de activación de la red mostraron que la córnea paracentral inferior era la región más importante para detectar el ojo seco en el modelo CNN.

Análisis de patrón de parpadeo

El parpadeo es un proceso multifacético afectado por numerosos factores, desde estados psicológicos y emocionales hasta fatiga,¹⁴ actividad mental y edad.¹⁵ Los estudios informan que las personas con enfermedad del ojo seco tienen patrones de parpadeo alterados en comparación con quienes no padecen la afección.¹⁵

Se espera que la IA aclare los complejos patrones de parpadeo en pacientes con ojo seco al ayudar la medición y evaluación de los parámetros de parpadeo, lo que actualmente es difícil de analizar debido a la rápida velocidad de parpadeo (<100 milisegundos) y los cambios continuos y las fases del proceso de parpadeo.¹⁵

Investigadores en Beijing utilizaron un modelo de aprendizaje automático para registrar patrones de parpadeo espontáneos. El modelo, construido utilizando la segmentación de imágenes UNet y los algoritmos de clasificación de imágenes ResNet, mostró que los pacientes de ojo seco tenían más parpadeos parciales, menos parpadeos completos y una duración más corta de la fase de cierre del párpado en comparación con los controles.¹⁶

Se incluyeron un total de 357 pacientes con ojo seco y 152 controles. Los participantes completaron las siguientes pruebas: cuestionario OSDI; captura en video del parpadeo; espesor de la capa lipídica; tiempo de ruptura de lágrimas; tinción con fluoresceína y test Schirmer II.

Los modelos analizaron fotogramas individuales de los videos del parpadeo y utilizaron la altura de la abertura palpebral de cada fotograma para establecer una onda de parpadeo espontánea. Los modelos de segmentación y clasificación tenían cada uno una precisión del 96%. La consistencia con el análisis manual fue del 97,9%.

Los investigadores informaron que el número promedio de parpadeos para los pacientes con ojo seco fue de 30 por minuto en comparación con los 20 por minuto de los controles (p=0.002). Los parpadeos completos para pacientes con ojo seco promediaron seis por minuto frente a 12 por minuto (p=0,016); los parpadeos parciales para pacientes con ojo seco promediaron 15 por minuto frente a tres por minuto (p<0,001). No se encontraron diferencias significativas en el intervalo medio entre parpadeos o en las fases de apertura del párpado, pero los pacientes con ojo seco tuvieron una fase de párpado cerrado significativamente más corta que los controles (0,8 segundos frente a 1,3 segundo, p=0,006).

De acuerdo con un modelo de deep-learning para analizar videos de parpadeo (utilizando el queratógrafo 5M), una tasa de fotogramas ≥30 fotogramas por segundo es óptima.¹⁷ El estudio de casos y controles incluyó a 50 pacientes con enfermedad del ojo seco y 50 controles. Los participantes respondieron cuestionarios de síntomas y también se sometieron a evaluaciones de la superficie ocular. El modelo procesó videos y creó perfiles de parpadeo para permitir la comparación de parámetros de parpadeo y la asociación con signos y síntomas de ojo seco. Los investigadores informaron que los parámetros de parpadeo basados en videos de 30 fps tenían una mayor sensibilidad y precisión que los videos basados en 8 fps.

Además, el modelo mostró que la altura interpalpebral relativa promedio y la frecuencia y proporción de parpadeo incompleto fueron significativamente más altas entre los participantes del ojo seco que los controles (p<0.001). El parpadeo incompleto, la proporción de parpadeos incompletos y la altura interpalpebral media también se asociaron con signos y síntomas del ojo seco.

Evaluación de la glándula de Meibomio

Los modelos de Deep Learning están realizando la segmentación de las glándulas de Meibomio, un paso inicial necesario para un análisis más automatizado basado en imágenes: acelerar la evaluación de imágenes de meibografía y aprender a diferenciar entre los tipos de disfunción de las glándulas de Meibomio para ayudar al diagnóstico.

• Meibografía. Un enfoque de Deep Learning desarrollado en 2019 por investigadores en Berkley, California, segmenta automáticamente las regiones totales de atrofia de los párpados y las glándulas de Meibomio para proporcionar información cuantitativa sobre la atrofia de las glándulas a partir de imágenes de meibografía.¹⁸ Los investigadores recopilaron 706 imágenes de meibografía y los meiboscores correspondientes. Las imágenes se anotaron con regiones de párpados y atrofia y se utilizaron para entrenar (n=497 imágenes) y evaluar (n=209 imágenes) el modelo.

El algoritmo logró una precisión media de calificación del meiboscore del 95.6%, lo que superó al investigador clínico principal en el 16% y al equipo clínico el 40.6%. Para los segmentos de párpados y atrofia, el algoritmo logró el 97.6% y el 95.4% de precisión, respectivamente, y el 95.5% y el 66.7% de intersección media sobre las precisiones de unión, respectivamente. La desviación media cuadrática promedio del modelo de la predicción del porcentaje de atrofia fue del 6,7%.

En 2022, un método de Deep Learning para segmentar las glándulas de Meibomio y los párpados demostró la capacidad de detectar automáticamente todas las glándulas de Meibomio individuales y cuantificar el área y la proporción del área de la glándula de Meibomio.¹⁹ El estudio de Corea del Sur incluyó 1.600 imágenes de meibografía tomadas en un entorno clínico, 1.000 de las cuales fueron anotadas con múltiples revisiones por investigadores y luego clasificadas seis veces por expertos en MGD. El grupo entrenó dos modelos de Deep Learning por separado para segmentar áreas de las glándulas de Meibomio y el párpado con el fin de estimar las puntuaciones del Meiboscore y la proporción de glándulas de Meibomio. Emplearon una red adversarial generativa para eliminar las reflexiones especulares de las imágenes sin procesar, sin afectar la clasificación.

El modelo demostró una relación media de cálculos de la glándula de Meibomio consistente con los del investigador: el 26,23% frente al 25,12% en los párpados superiores y 32,34% frente al 32,29% en los párpados inferiores, respectivamente. La precisión del modelo fue del 73.01% para la clasificación meiboscore en el conjunto de validación. Logró una precisión del 59,17% en imágenes de un centro independiente en comparación con la precisión del 53,44% de los expertos en MGD.

Utilizando un marco de Deep Learning de red neuronal convolucional Mask R, los investigadores desarrollaron una ayuda de clasificación de imágenes de meibografía para ayudar a ahorrar tiempo a los especialistas.²⁰ El modelo se estableció utilizando 1.878 imágenes de meibografía anotadas manualmente (en dos clases: glándulas conjuntivas y meibomianas), y se utilizó un conjunto de datos de prueba independiente de 58 imágenes para comparar la precisión y la eficiencia contra los especialistas. El rendimiento se evaluó mediante la pérdida de validación (valor de pérdida del conjunto de datos de verificación, en el que un valor más pequeño indica un mejor resultado de entrenamiento) y la precisión media promedio ([mAP], el valor medio de las precisiones promedio para cada clase, lo que demuestra la precisión de la detección y segmentación del área en el conjunto de datos de validación.

El modelo predijo la relación de pérdida de la glándula de Meibomio con alta precisión en la conjuntiva (pérdida de validación <0,35; mAP >0,976) y en las glándulas de Meibomio (pérdida de validación <1, mAP >0,92). La diferencia entre la evaluación especializada y el modelo de IA fue mínima. El modelo evaluó imágenes en 480 milisegundos, 21 veces más rápido que un humano.

• Microscopía láser confocal in vivo. Un modelo de Deep Learning desarrollado en Japón diferenció con éxito las glándulas de Meibomio sanas y la MGD obstructiva utilizando imágenes de microscopía láser confocal in vivo.²¹ Se construyeron y entrenaron nueve estructuras de red diferentes y modelos de
  Deep Learning individuales y conjuntos utilizando 137 imágenes de 137 individuos con MGD obstructiva y 84 imágenes de 84 controles. El único modelo de Deep Learning (DenseNet-201) diagnosticó la MGD obstructiva con un AUC de 0.966, una sensibilidad del 94.2% y una especificidad del 82.1%. El modelo de Deep Learning conjunto (VGG16, DenseNet-169, DenseNet-201 e InceptionV3) tuvo un AUC de 0.981, una sensibilidad del 92.1% y una especificidad del 98.8%.

En un estudio chino más amplio, una red neuronal convolucional entrenada en imágenes de microscopía láser confocal in vivo diferenció la MGD obstructiva, la MGD atrófica y las glándulas de Meibomio normales.²² El modelo, entrenado en 4.985 imágenes y validado en 1.663 imágenes, se probó comparando su identificación basada en imágenes de las glándulas de Meibomio con los diagnósticos realizados por un experto. El estudio incluyó 2.766 controles sanos, 2.744 participantes con MGD obstructiva y 2.801 participantes con MGD atrófica. La precisión de diagnóstico diferencial fue más alta utilizando el modelo DenseNet169 (>97%). El modelo tuvo sensibilidades y especificidades del 88.8% y el 95.4%, respectivamente, para MGD obstructiva y el 89.4% y 98.4%, respectivamente, para la MGD atrófica.

Innovaciones clínicas tempranas

CSI Dry Eye es una plataforma de inteligencia artificial basada en la nube para médicos que evalúa los resultados de las pruebas clínicas para formular diagnósticos y recomendar tratamientos. La compañía dice que el software puede aumentar la eficiencia de la práctica y también la precisión del diagnóstico.

CSI Dry Eye es una plataforma de inteligencia artificial basada en la nube para médicos que evalúa los resultados de las pruebas clínicas para formular diagnósticos y recomendar tratamientos. La compañía dice que el software puede aumentar la eficiencia de la práctica y también la precisión del diagnóstico.

Las herramientas de IA para el ojo seco aún no están listas para una adopción clínica generalizada, pero eso no significa que no se hayan incorporado en absoluto. Aquí hay algunas formas en que la IA está comenzando a entrar en el espacio de la clínica de ojos secos:

• Asociaciones universitarias. Algunas prácticas privadas están trabajando con grandes instituciones de investigación para desarrollar herramientas basadas en IA para sus clínicas. Cathedral Eye Clinic, con sede en Belfast, se ha asociado con la Universidad de Aston, en Birmingham, Inglaterra, para desarrollar un sistema de apoyo a la decisión digital basado en IA para la superficie ocular. La herramienta de IA analizará los datos clínicos de los pacientes y ayudará a los médicos a diagnosticar enfermedades oculares y desarrollar estrategias de tratamiento. Según la Universidad de Aston, los aspectos clave del programa incluyen explorar el impacto de los problemas de la superficie ocular en los resultados refractivos después de los tratamientos basados en láser y lentes, además de identificar técnicas de manejo clínico preoperatorio para mejorar los resultados.²³
• Plataforma basada en la nube. CSI Dry Eye es un recién llegado al espacio de la clínica que se centra en el diagnóstico y tratamiento del ojo seco utilizando la tecnología de machine learning de vectores de soporte para crear modelos de tipo y gravedad del ojo seco. La plataforma propone un diagnóstico basado en el input de resultados de pruebas clínicas y múltiples cuestionarios de pacientes. La plataforma ahorra tiempo, aumenta la retención de pacientes y aumenta la productividad de la práctica y la precisión del diagnóstico. Para obtener más informaciones, visite csidryeye.com

Conclusiones

La IA está programada para ofrecer diagnósticos más objetivos y consistentes y una estratificación de la gravedad de la enfermedad,²⁴, así como brindar informaciones sobre las etiologías y las complejas relaciones entre los muchos factores que contribuyen al ojo seco.²⁵ También se espera que la eficiencia prometida por dicha automatización ayude a mejorar el alta carga económica²⁶ y la calidad de vida²⁷ asociada con la DED.

Bibliografía

1. Zhang Z, Wang Y, Zhang H, et al. Artificial intelligence-assisted diagnosis of ocular surface diseases. Front Cell Dev Biol 2023;11:1133680.
2. Brahim I, Lamard M, Benyoussef A and Quellec G. Automation of dry eye disease quantitative assessment: A review. Clin Exp Ophthalmol 2022;50:653-666.
3. Stapleton F, Alves M, Bunya VY, et al. TFOS DEWS II epidemiology report. The Ocular Surface 2017;15:3:334–365.
4. Fineide F, Storås AM, Chen X, et al. Predicting an unstable tear film through artificial intelligence. Scientific Reports 2022;12:21416.
5. Shimizu E, Ishikawa T, Tanji M, et al. Artificial intelligence to estimate the tear film breakup time and diagnose dry eye disease. Sci Rep 2023;13:1:5822.
6. Chase C, Elsawy A, Eleiwa T, Ozcan E, Tolba M, Shousha MA. Comparison of autonomous AS-OCT deep learning algorithm and clinical dry eye tests in diagnosis of dry eye disease. Ophthamology 2021;15:4281-4289.
7. Elsawy A, Eleiwa T, Chase C, et al. Multidisease deep learning neural network for the diagnosis of corneal diseases. Am J Ophthalmol 2021;226:252-261.
8. Edorh NA, El Maftouhi A, Djerada Z, et al. New model to better diagnose dry eye disease integrating OCT corneal epithelial mapping. British Journal of Ophthalmology 2022;106:1488-1495.
9. Stegmann H, Werkmeister RM, Pfister M, et al. Deep learning segmentation for optical coherence tomography measurements of the lower tear meniscus. Biomed Optics Express 2020;11:3:1539-1554.
10. Yang H, Che S, Hyon J and Han S. Integration of artificial intelligence into the approach for diagnosis and monitoring of dry eye disease. Diagnostics 2022;12:3167.
11. Arita R, Yabusaki K, Yamauchi T, et al. Diagnosis of dry eye subtype by artificial intelligence software based on the interferometric fringe pattern of the tear film obtained with the Kowa DR-1α instrument. Invest Ophthalmol Vis Sci 2018;59:1965.
12. da Cruz LB, Carvalho Souza J, Alves de Sousa J, et al. Interferometer eye image classification for dry eye categorization using phylogenetic diversity indexes for texture analysis. Computer Methods and Programs in Biomedicine 2020;188:105269.
13. Abdelmotaal H, Hazarbasanov R, Taneri S, et al. Detecting dry eye from ocular surface videos based on deep learning. Ocul Surf 2023;28:90-98.
14. Rodriguez JD, Lane KJ, Ousler GW, Angjeli E, Smith LM, Abelson MB. Blink: Characteristics, controls, and relation to dry eyes. Curr Eye Res 2018;43:1:52-66.
15. Su Y, Liang Q, Su G, et al. Spontaneous eye blink patterns in dry eye: clinical correlations. Invest Ophthalmol Vis Sci 2018;59:12:5149-5156.
16. Zhang ZZ, Kuang RF, Wei ZY, et al. [Detection of the spontaneous blinking pattern of dry eye patients using the machine learning method]. Zhonghua Yan Ke Za Zhi [Chinese J Ophthalmol] 2022;58:2:120-129.
17. Zheng Q, Wang L, Wen H, et al. Impact of incomplete blinking analyzed using a deep learning model with the keratograph 5m in dry eye disease. Transl Vis Sci Technol 2022;11:3:38.
18. Wang J, Yeh TN, Chakraborty R, et al. A deep learning approach for meibomian gland atrophy evaluation in meibography images. Trans Vis Sci Tech. 2019;8:6:37.
19. Saha RK, Chowdhury AM, Na K, eta l. Automated quantification of meibomian gland dropout in infrared meibography using deep learning. The Ocular Surface 2022;26:283-294.
20. Yu Y, Zhou Y, Tian M, et al. Automatic identification of meibomian gland dysfunction with meibography images using deep learning. Int Ophthalmol 2022;42:11:3275-3284.
21. Maruoka S, Tabuchi H, Nagasato D, et al. Deep neural network-based method for detecting obstructive meibomian gland dysfunction with in vivo laser confocal microscopy. Cornea 2020;39:6:720-725.
22. Zhang Y, Zhao H, Lin J, et al. Artificial intelligence to detect meibomian gland dysfunction from in-vivo laser confocal microscopy. Front Med 2021;8:e774344.
23. Aston University. Knowledge Transfer Partnerships at work. https://www.aston.ac.uk/business/collaborate-with-us/knowledge-transfer-partnership/at-work/cathedral-eye-clinic. Accessed April 20, 2023.
24. Storås AM, Strümke I, Riegler MA, et al. Artificial intelligence in dry eye disease. Ocular Surface 2022;23:74-86.
25. Ji Y, Liu S, Hong X, et al. Advances in artificial intelligence applications for ocular surface diseases diagnosis. Frontiers in Cell and Developmental Biology 2022;10.1107689.
26. Yu J, Asche CV, Fairchild CJ. The economic burden of dry eye disease in the United States: A decision tree analysis. Cornea 2011;30:4:379-387.
27. Morthen MK, Magno MS, Utheim TP, Snieder H, Hammond CJ, Vehof J. The physical and mental burden of dry eye disease: A large population-based study investigating the relationship with health-related quality of life and its determinants. Ocul Surf 2021;21:107-117.