BlinkNet-Q：一款基于深度学习的实时瞳孔率量测与未完全瞳孔模式识别软件。
一项国际医学研究带来了新的发现，相关成果对疾病防治科普具有重要参考价值。开发和验证基于DLM-1和DLM-2的双深度学习模型(BlinkNet-Q))的近实时定量计算 blink率和不完整闪烁的软件。BlinkNet-Q集成了两个DLMs: DLM-1区分开放-眼与完全-眨眼帧，而DLM-2区分完全与不完整闪烁的软件。
这个证明-概念的技术验证研究包括单独的模型开发和独立的测试 cohort。开发 cohort 包含了 15 位参与者（30 眼睛），产生了 29,53 个标注了帧的训练和内部验证数据集，参与者级别的数据集进行分割。
测试 cohort 包含了 39 位参与者（39 眼睛）和是用于最终评估 BlinkNet-Q 的。帧-wise分析使用计算机视觉（CV）基线眼定位（OEL）功能实现自动眨眼量化。
评估指标采用分类指标（C）、回归基于指标（R）、内生相关系数（ICC）和Bland-Altman分析。DLM-1系统获得的AUC值在0.989（95%置信区间[CI]，0.932-0.993）和DLM-2系统获得的AUC值在0.884（95%置信区间[CI]，0.854-0.963）之间。
结果表明，BlinkNet-Q与手动计数在blink率（ICC=0.973; R^2=0.948; mean absolute error [MAE]=1.262 blinks/minute)和不完整-blink比率（ICC=0.937; R^2=0.876; MAE = 0.059）之间有良好的一致性，并且在标准化的记录条件下，具有很小的平均偏差。BlinkNet-Q展示了自动化眨眼率和不完整眨眼量化在标准化记录条件下下的技术可行性，支持其作为基于相机的眨眼评估软件原型的可能性。
在不同临床人群的外部验证之前，临床实施可能需要进行。BlinkNet-Q可能有助于未来开发可访问、基于相机的眨眼评估工具，用于眼部表面评估。需要说明的是，以上内容依据国际公开研究成果整理，供健康科普参考，不构成诊疗建议。
如有健康疑问，请咨询专业医务人员。
