Strabismus, misalignment of the eyes arising from central nervous system dysregulation and extraocular muscles imbalance, commonly manifests in childhood, leading to amblyopia, binocular vision dysfunction, torticollis and other developmental and psychological disorders. This exerts a negative impact on individuals, families and society. Timely diagnosis and intervention are crucial to prevent permanent damage to vision and stereopsis. Presently, strabismus diagnosis is reliant on the ophthalmologists′ evaluations which results in a lack of efficiency and coverage. However, routine school screening proves inadequate in assessing strabismus degree with low accuracy. Therefore, how to improve the efficiency of strabismus screening is an issue of great importance. This paper delves into the present landscape of strabismus diagnosis and treatment, considering both local and global research advancements. It focuses on the evolution of artificial intelligence technology, illuminating the utilization of artificial intelligence models and algorithms in strabismus. By pinpointing and exploring their strengths and limitations, it offers valuable insights, paving the way for future investigations into artificial intelligence-assisted strabismus diagnosis and treatment.
GUO Yonglin, CHEN Moxin, LIU Zheyuan, LI Yifei, WANG Ziqi, SHU Qin, LI Lin. Progress in diagnosis and treatment of strabismus based on artificial intelligence technology. Journal of Shanghai Jiao Tong University (Medical Science)[J], 2024, 44(3): 393-398 doi:10.3969/j.issn.1674-8115.2024.03.013
为了更好地协助斜视筛查，HUANG等［27］基于卷积神经网络，辅助以大津法（maximal variance between clusters，OTSU）的二值化方法与色相-饱和度-明度（hue-saturation-value，HSV）颜色模型，结合60张人脸正面图像构建了斜视筛查的深度学习模型，进行训练和验证。实验结果显示，正常图像的样本均值和标准差值分别为1.073±0.014和0.039，而斜视图像的样本均值和标准差值分别为1.924±0.169和0.472，体现了该人工智能辅助识别斜视具有较高的准确性。CHEN等［28］通过6种不同卷积神经网络搭建识别斜视的深度学习模型。研究收集了42名受试者的注视偏差图像，设计了一种眼动追踪系统来获取正常人和斜视患者的注视数据，然后提出一种注视偏差（gaze deviation，GaDe）图像，可基于注视点的精准度来表征眼动追踪数据。最后，利用经过大量数据训练的卷积神经网络从注视偏差图像中提取特征以进行斜视识别。结果表明，该模型可以完成二元斜视分类，且其中简化VGG（visual geometry group simplification，VGG-S）算法对斜视的识别辅助效果最好。而FAN等［29］建立了一个远程斜视数据集，并提出了一种回归预测的卷积神经网络（regression forecasting convolutional neural network，RF-CNN）框架，通过对每幅图像进行眼睛区域分割，然后利用深度学习神经网络对分割后的区域进行分类和识别。在所建立的远程斜视数据集上的实验结果表明，所提出的RF-CNN在远程医疗应用的自动斜视检测中具有良好的性能。上述人工智能模型在斜视筛查和识别中的结果表明，人工智能未来具有适用于斜视早期普查的极大潜能。斜视远程诊断方法的发展也很好地克服了时空的限制，这对解放人力、实现斜视的早期发现和诊疗也具有重要意义。
3.3 治疗型
斜视矫正手术是斜视最主要的治疗方法，现有的人工智能技术参与斜视诊疗也包含了手术疗效的预测。为帮助斜视患者选择最佳手术治疗策略，ALMEIDA等［30］对88例斜视患者的临床数据进行分析与处理，搭建了一个基于支持向量机回归的人工智能深度学习模型。该模型可根据斜视患者的斜视类型、视力情况、屈光度、斜视角等眼科专科数据来确定斜视患者的最佳手术设计。实验结果表明，与多位临床医师提出的斜视矫正手术方案相比，平均误差均小于0.8 mm，表明这种方法具有辅助手术设计的可行性。而LEITE等［31］基于ALMEIDA等［30］的研究，提出了一种依赖决策树回归器算法的辅助斜视手术设计的新方法。该法采取了2种不同的应用方法：多个单一靶点模型与一个多靶点模型。最后通过该方法指示的值与医师给出的标准值之间的平均差异来表示该法的效率。在该研究最准确的模型中，眼外肌手术的平均误差为0.66 mm。MAO等［32］回顾性纳入5年内斜视手术患者和某初级中学全体学生的共5 797张二方位角膜映光照片并进行标注，以14∶3∶3的比例随机划分，分别进行训练、验证以及回顾性测试。利用前期已进行标注的数据集分别对3个卷积神经网络进行调试与训练，搭建斜视人工智能诊疗平台，辅助斜视筛查与斜视度评估，并且为手术治疗给予建议。LOU等［33］纳入72位患者的眼部图像，构建GAR2U-Net（recurrent residual CNN with global attention gate based on U-Net）自动评估下斜位过度活动，并自动测量双眼角膜下缘的高度差。与传统方法相比，该方法客观准确，可进行多次重复测量，具有成本低、易于采集、测量范围广等明显优点。综合以上各项研究，人工智能技术在辅助斜视手术设计、评估斜视度等前瞻性预测方面有广阔的发展空间。
LI Lin was responsible for the analysis of the topic selection, the design of ideas and the revision of the writing. The manuscript was drafted and revised by GUO Yonglin, CHEN Moxin, LIU Zheyuan, LI Yifei, WANG Ziqi, and SHU Qin. All the authors have read the last version of paper and consented for submission.
PAN Y L, WANG H Q, LU Y. The application of computer aided diagnosis with artificial intelligence in medical imaging[J]. International Journal of Medical Radiology, 2019, 42 (1): 3-7.
LAUGHTON S C, HAGEN M M, YANG W, et al. Gender differences in horizontal strabismus: systematic review and meta-analysis shows no difference in prevalence, but gender bias towards females in the clinic[J]. J Glob Health, 2023, 13: 04085.
HASHEMI H, PAKZAD R, HEYDARIAN S, et al. Global and regional prevalence of strabismus: a comprehensive systematic review and meta-analysis[J]. Strabismus, 2019, 27(2): 54-65.
WANG Y, ZHAO A D, ZHANG X H, et al. Prevalence of strabismus among preschool children in Eastern China and comparison at a 5-year interval: a population-based cross-sectional study[J]. BMJ Open, 2021, 11(10): e055112.
REPKA M X, LUM F, BURUGAPALLI B. Strabismus, strabismus surgery, and reoperation rate in the United States: analysis from the IRIS registry[J]. Ophthalmology, 2018, 125(10): 1646-1653.
ZHANG X, LI F, RAO J M, et al. Spectrum of ophthalmic diseases in children hospitalized in a tertiary ophthalmology hospital in China from 2010 to 2019[J]. BMC Ophthalmol, 2022, 22(1): 314.
MOSTAFAIE A, GHOJAZADEH M, HOSSEINIFARD H, et al. A systematic review of Amblyopia prevalence among the children of the world[J]. Rom J Ophthalmol, 2020, 64(4): 342-355.
ZHAO X F, YU W H. Advanced in the application of artificial intelligence in fundus image analysis[J]. Chinese Journal of the Frontiers of Medical Science(Electronic Version), 2023, 15(6): 21-26.
HARDAS M, MATHUR S, BHASKAR A, et al. Retinal fundus image classification for diabetic retinopathy using SVM predictions[J]. Phys Eng Sci Med, 2022, 45(3): 781-791.
YANG Y H, LI R Y, LIN D R, et al. Automatic identification of myopia based on ocular appearance images using deep learning[J]. Ann Transl Med, 2020, 8(11): 705.
SHI B, TAN D P, WANG X L, et al. Analysis of the application value of MRI examination in children with complex strabismus[J]. Jangxi Medical Journal, 2020, 55(6): 767-769.
HAO R, LIU Y, ZHANG W, et al. Morphological study of extraocular muscles in dissociated vertical deviation by magnetic resonance imaging[J]. Zhonghua Yan Ke Za Zhi, 2023, 59(3): 202-206.
HULL S, TAILOR V, BALDUZZI S, et al. Tests for detecting strabismus in children aged 1 to 6 years in the community[J]. Cochrane Database Syst Rev, 2017, 11(11): CD011221.
TENGTRISORN S, TUNGSATTAYATHITTHAN A, PHATTHALUNG S N, et al. The reliability of the angle of deviation measurement from the Photo-Hirschberg tests and Krimsky tests[J]. PLoS One, 2021, 16(12): e0258744.
NIU Y L, YE R S, JIN L, et al. A study of the accuracy and reliability of the Hirschberg Test in the measurement of oblique angle of vision in children[J]. Chinese And Foreign Medical Research, 2018, 16(24):149-150.
WANG C Y, CHEN L P, XING H Y, et al. Application of synoptoscope in binocular visual function examination[J]. China Glasses Science-Technology Magazine, 2019(11): 107-109.
THORISDOTTIR R L, SUNDGREN J, SHEIKH R, et al. Comparison of a new digital KM screen test with conventional Hess and Lees screen tests in the mapping of ocular deviations[J]. J AAPOS, 2018, 22(4): 277-280.e6.
VALENTE T L A, DE ALMEIDA J D S, SILVA A C, et al. Automatic diagnosis of strabismus in digital videos through cover test[J]. Comput Meth Programs Biomed, 2017, 140: 295-305.
DE FIGUEIREDO L A, DIAS J V P, POLATI M, et al. Strabismus and artificial intelligence app: optimizing diagnostic and accuracy[J]. Transl Vis Sci Technol, 2021, 10(7): 22.
HUANG X L, LEE S J, KIM C Z, et al. An automatic screening method for strabismus detection based on image processing[J]. PLoS One, 2021, 16(8): e0255643.
CHEN Z H, FU H, LO W L, et al. Strabismus recognition using eye-tracking data and convolutional neural networks[J]. J Healthc Eng, 2018, 2018: 7692198.
FAN Z, LU J W, ZHENG C, et al. Automated strabismus detection based on deep neural networks for telemedicine applications[EB/OL]. (2018-12-03)[2023-10-03]. http://arxiv.org/abs/1809.02940.
ALMEIDA J D, SILVA A C, TEIXEIRA J A M, et al. Surgical planning for horizontal strabismus using Support Vector Regression[J]. Comput Biol Med, 2015, 63: 178-186.
LEITE F H F, ALMEIDA J D S, CRUZ L B D, et al. Surgical planning of horizontal strabismus using multiple output regression tree[J]. Comput Biol Med, 2021, 134: 104493.
MAO K L, YANG Y H, GUO C, et al. An artificial intelligence platform for the diagnosis and surgical planning of strabismus using corneal light-reflection photos[J]. Ann Transl Med, 2021, 9(5): 374.
LOU L X, HUANG X R, SUN Y M, et al. Automated photographic analysis of inferior oblique overaction based on deep learning[J]. Quant Imaging Med Surg, 2023, 13(1): 329-338.
WANG S Y, JI Y K, BAI W, et al. Advances in artificial intelligence models and algorithms in the field of optometry[J]. Front Cell Dev Biol, 2023, 11: 1170068.
... 为了更好地协助斜视筛查，HUANG等［27］基于卷积神经网络，辅助以大津法（maximal variance between clusters，OTSU）的二值化方法与色相-饱和度-明度（hue-saturation-value，HSV）颜色模型，结合60张人脸正面图像构建了斜视筛查的深度学习模型，进行训练和验证.实验结果显示，正常图像的样本均值和标准差值分别为1.073±0.014和0.039，而斜视图像的样本均值和标准差值分别为1.924±0.169和0.472，体现了该人工智能辅助识别斜视具有较高的准确性.CHEN等［28］通过6种不同卷积神经网络搭建识别斜视的深度学习模型.研究收集了42名受试者的注视偏差图像，设计了一种眼动追踪系统来获取正常人和斜视患者的注视数据，然后提出一种注视偏差（gaze deviation，GaDe）图像，可基于注视点的精准度来表征眼动追踪数据.最后，利用经过大量数据训练的卷积神经网络从注视偏差图像中提取特征以进行斜视识别.结果表明，该模型可以完成二元斜视分类，且其中简化VGG（visual geometry group simplification，VGG-S）算法对斜视的识别辅助效果最好.而FAN等［29］建立了一个远程斜视数据集，并提出了一种回归预测的卷积神经网络（regression forecasting convolutional neural network，RF-CNN）框架，通过对每幅图像进行眼睛区域分割，然后利用深度学习神经网络对分割后的区域进行分类和识别.在所建立的远程斜视数据集上的实验结果表明，所提出的RF-CNN在远程医疗应用的自动斜视检测中具有良好的性能.上述人工智能模型在斜视筛查和识别中的结果表明，人工智能未来具有适用于斜视早期普查的极大潜能.斜视远程诊断方法的发展也很好地克服了时空的限制，这对解放人力、实现斜视的早期发现和诊疗也具有重要意义. ...
1
... 为了更好地协助斜视筛查，HUANG等［27］基于卷积神经网络，辅助以大津法（maximal variance between clusters，OTSU）的二值化方法与色相-饱和度-明度（hue-saturation-value，HSV）颜色模型，结合60张人脸正面图像构建了斜视筛查的深度学习模型，进行训练和验证.实验结果显示，正常图像的样本均值和标准差值分别为1.073±0.014和0.039，而斜视图像的样本均值和标准差值分别为1.924±0.169和0.472，体现了该人工智能辅助识别斜视具有较高的准确性.CHEN等［28］通过6种不同卷积神经网络搭建识别斜视的深度学习模型.研究收集了42名受试者的注视偏差图像，设计了一种眼动追踪系统来获取正常人和斜视患者的注视数据，然后提出一种注视偏差（gaze deviation，GaDe）图像，可基于注视点的精准度来表征眼动追踪数据.最后，利用经过大量数据训练的卷积神经网络从注视偏差图像中提取特征以进行斜视识别.结果表明，该模型可以完成二元斜视分类，且其中简化VGG（visual geometry group simplification，VGG-S）算法对斜视的识别辅助效果最好.而FAN等［29］建立了一个远程斜视数据集，并提出了一种回归预测的卷积神经网络（regression forecasting convolutional neural network，RF-CNN）框架，通过对每幅图像进行眼睛区域分割，然后利用深度学习神经网络对分割后的区域进行分类和识别.在所建立的远程斜视数据集上的实验结果表明，所提出的RF-CNN在远程医疗应用的自动斜视检测中具有良好的性能.上述人工智能模型在斜视筛查和识别中的结果表明，人工智能未来具有适用于斜视早期普查的极大潜能.斜视远程诊断方法的发展也很好地克服了时空的限制，这对解放人力、实现斜视的早期发现和诊疗也具有重要意义. ...
1
... 为了更好地协助斜视筛查，HUANG等［27］基于卷积神经网络，辅助以大津法（maximal variance between clusters，OTSU）的二值化方法与色相-饱和度-明度（hue-saturation-value，HSV）颜色模型，结合60张人脸正面图像构建了斜视筛查的深度学习模型，进行训练和验证.实验结果显示，正常图像的样本均值和标准差值分别为1.073±0.014和0.039，而斜视图像的样本均值和标准差值分别为1.924±0.169和0.472，体现了该人工智能辅助识别斜视具有较高的准确性.CHEN等［28］通过6种不同卷积神经网络搭建识别斜视的深度学习模型.研究收集了42名受试者的注视偏差图像，设计了一种眼动追踪系统来获取正常人和斜视患者的注视数据，然后提出一种注视偏差（gaze deviation，GaDe）图像，可基于注视点的精准度来表征眼动追踪数据.最后，利用经过大量数据训练的卷积神经网络从注视偏差图像中提取特征以进行斜视识别.结果表明，该模型可以完成二元斜视分类，且其中简化VGG（visual geometry group simplification，VGG-S）算法对斜视的识别辅助效果最好.而FAN等［29］建立了一个远程斜视数据集，并提出了一种回归预测的卷积神经网络（regression forecasting convolutional neural network，RF-CNN）框架，通过对每幅图像进行眼睛区域分割，然后利用深度学习神经网络对分割后的区域进行分类和识别.在所建立的远程斜视数据集上的实验结果表明，所提出的RF-CNN在远程医疗应用的自动斜视检测中具有良好的性能.上述人工智能模型在斜视筛查和识别中的结果表明，人工智能未来具有适用于斜视早期普查的极大潜能.斜视远程诊断方法的发展也很好地克服了时空的限制，这对解放人力、实现斜视的早期发现和诊疗也具有重要意义. ...
2
... 斜视矫正手术是斜视最主要的治疗方法，现有的人工智能技术参与斜视诊疗也包含了手术疗效的预测.为帮助斜视患者选择最佳手术治疗策略，ALMEIDA等［30］对88例斜视患者的临床数据进行分析与处理，搭建了一个基于支持向量机回归的人工智能深度学习模型.该模型可根据斜视患者的斜视类型、视力情况、屈光度、斜视角等眼科专科数据来确定斜视患者的最佳手术设计.实验结果表明，与多位临床医师提出的斜视矫正手术方案相比，平均误差均小于0.8 mm，表明这种方法具有辅助手术设计的可行性.而LEITE等［31］基于ALMEIDA等［30］的研究，提出了一种依赖决策树回归器算法的辅助斜视手术设计的新方法.该法采取了2种不同的应用方法：多个单一靶点模型与一个多靶点模型.最后通过该方法指示的值与医师给出的标准值之间的平均差异来表示该法的效率.在该研究最准确的模型中，眼外肌手术的平均误差为0.66 mm.MAO等［32］回顾性纳入5年内斜视手术患者和某初级中学全体学生的共5 797张二方位角膜映光照片并进行标注，以14∶3∶3的比例随机划分，分别进行训练、验证以及回顾性测试.利用前期已进行标注的数据集分别对3个卷积神经网络进行调试与训练，搭建斜视人工智能诊疗平台，辅助斜视筛查与斜视度评估，并且为手术治疗给予建议.LOU等［33］纳入72位患者的眼部图像，构建GAR2U-Net（recurrent residual CNN with global attention gate based on U-Net）自动评估下斜位过度活动，并自动测量双眼角膜下缘的高度差.与传统方法相比，该方法客观准确，可进行多次重复测量，具有成本低、易于采集、测量范围广等明显优点.综合以上各项研究，人工智能技术在辅助斜视手术设计、评估斜视度等前瞻性预测方面有广阔的发展空间. ...
... ［30］的研究，提出了一种依赖决策树回归器算法的辅助斜视手术设计的新方法.该法采取了2种不同的应用方法：多个单一靶点模型与一个多靶点模型.最后通过该方法指示的值与医师给出的标准值之间的平均差异来表示该法的效率.在该研究最准确的模型中，眼外肌手术的平均误差为0.66 mm.MAO等［32］回顾性纳入5年内斜视手术患者和某初级中学全体学生的共5 797张二方位角膜映光照片并进行标注，以14∶3∶3的比例随机划分，分别进行训练、验证以及回顾性测试.利用前期已进行标注的数据集分别对3个卷积神经网络进行调试与训练，搭建斜视人工智能诊疗平台，辅助斜视筛查与斜视度评估，并且为手术治疗给予建议.LOU等［33］纳入72位患者的眼部图像，构建GAR2U-Net（recurrent residual CNN with global attention gate based on U-Net）自动评估下斜位过度活动，并自动测量双眼角膜下缘的高度差.与传统方法相比，该方法客观准确，可进行多次重复测量，具有成本低、易于采集、测量范围广等明显优点.综合以上各项研究，人工智能技术在辅助斜视手术设计、评估斜视度等前瞻性预测方面有广阔的发展空间. ...
1
... 斜视矫正手术是斜视最主要的治疗方法，现有的人工智能技术参与斜视诊疗也包含了手术疗效的预测.为帮助斜视患者选择最佳手术治疗策略，ALMEIDA等［30］对88例斜视患者的临床数据进行分析与处理，搭建了一个基于支持向量机回归的人工智能深度学习模型.该模型可根据斜视患者的斜视类型、视力情况、屈光度、斜视角等眼科专科数据来确定斜视患者的最佳手术设计.实验结果表明，与多位临床医师提出的斜视矫正手术方案相比，平均误差均小于0.8 mm，表明这种方法具有辅助手术设计的可行性.而LEITE等［31］基于ALMEIDA等［30］的研究，提出了一种依赖决策树回归器算法的辅助斜视手术设计的新方法.该法采取了2种不同的应用方法：多个单一靶点模型与一个多靶点模型.最后通过该方法指示的值与医师给出的标准值之间的平均差异来表示该法的效率.在该研究最准确的模型中，眼外肌手术的平均误差为0.66 mm.MAO等［32］回顾性纳入5年内斜视手术患者和某初级中学全体学生的共5 797张二方位角膜映光照片并进行标注，以14∶3∶3的比例随机划分，分别进行训练、验证以及回顾性测试.利用前期已进行标注的数据集分别对3个卷积神经网络进行调试与训练，搭建斜视人工智能诊疗平台，辅助斜视筛查与斜视度评估，并且为手术治疗给予建议.LOU等［33］纳入72位患者的眼部图像，构建GAR2U-Net（recurrent residual CNN with global attention gate based on U-Net）自动评估下斜位过度活动，并自动测量双眼角膜下缘的高度差.与传统方法相比，该方法客观准确，可进行多次重复测量，具有成本低、易于采集、测量范围广等明显优点.综合以上各项研究，人工智能技术在辅助斜视手术设计、评估斜视度等前瞻性预测方面有广阔的发展空间. ...
1
... 斜视矫正手术是斜视最主要的治疗方法，现有的人工智能技术参与斜视诊疗也包含了手术疗效的预测.为帮助斜视患者选择最佳手术治疗策略，ALMEIDA等［30］对88例斜视患者的临床数据进行分析与处理，搭建了一个基于支持向量机回归的人工智能深度学习模型.该模型可根据斜视患者的斜视类型、视力情况、屈光度、斜视角等眼科专科数据来确定斜视患者的最佳手术设计.实验结果表明，与多位临床医师提出的斜视矫正手术方案相比，平均误差均小于0.8 mm，表明这种方法具有辅助手术设计的可行性.而LEITE等［31］基于ALMEIDA等［30］的研究，提出了一种依赖决策树回归器算法的辅助斜视手术设计的新方法.该法采取了2种不同的应用方法：多个单一靶点模型与一个多靶点模型.最后通过该方法指示的值与医师给出的标准值之间的平均差异来表示该法的效率.在该研究最准确的模型中，眼外肌手术的平均误差为0.66 mm.MAO等［32］回顾性纳入5年内斜视手术患者和某初级中学全体学生的共5 797张二方位角膜映光照片并进行标注，以14∶3∶3的比例随机划分，分别进行训练、验证以及回顾性测试.利用前期已进行标注的数据集分别对3个卷积神经网络进行调试与训练，搭建斜视人工智能诊疗平台，辅助斜视筛查与斜视度评估，并且为手术治疗给予建议.LOU等［33］纳入72位患者的眼部图像，构建GAR2U-Net（recurrent residual CNN with global attention gate based on U-Net）自动评估下斜位过度活动，并自动测量双眼角膜下缘的高度差.与传统方法相比，该方法客观准确，可进行多次重复测量，具有成本低、易于采集、测量范围广等明显优点.综合以上各项研究，人工智能技术在辅助斜视手术设计、评估斜视度等前瞻性预测方面有广阔的发展空间. ...
1
... 斜视矫正手术是斜视最主要的治疗方法，现有的人工智能技术参与斜视诊疗也包含了手术疗效的预测.为帮助斜视患者选择最佳手术治疗策略，ALMEIDA等［30］对88例斜视患者的临床数据进行分析与处理，搭建了一个基于支持向量机回归的人工智能深度学习模型.该模型可根据斜视患者的斜视类型、视力情况、屈光度、斜视角等眼科专科数据来确定斜视患者的最佳手术设计.实验结果表明，与多位临床医师提出的斜视矫正手术方案相比，平均误差均小于0.8 mm，表明这种方法具有辅助手术设计的可行性.而LEITE等［31］基于ALMEIDA等［30］的研究，提出了一种依赖决策树回归器算法的辅助斜视手术设计的新方法.该法采取了2种不同的应用方法：多个单一靶点模型与一个多靶点模型.最后通过该方法指示的值与医师给出的标准值之间的平均差异来表示该法的效率.在该研究最准确的模型中，眼外肌手术的平均误差为0.66 mm.MAO等［32］回顾性纳入5年内斜视手术患者和某初级中学全体学生的共5 797张二方位角膜映光照片并进行标注，以14∶3∶3的比例随机划分，分别进行训练、验证以及回顾性测试.利用前期已进行标注的数据集分别对3个卷积神经网络进行调试与训练，搭建斜视人工智能诊疗平台，辅助斜视筛查与斜视度评估，并且为手术治疗给予建议.LOU等［33］纳入72位患者的眼部图像，构建GAR2U-Net（recurrent residual CNN with global attention gate based on U-Net）自动评估下斜位过度活动，并自动测量双眼角膜下缘的高度差.与传统方法相比，该方法客观准确，可进行多次重复测量，具有成本低、易于采集、测量范围广等明显优点.综合以上各项研究，人工智能技术在辅助斜视手术设计、评估斜视度等前瞻性预测方面有广阔的发展空间. ...
