目的:利用人工智能学习算法定量分析非侵入式眼表综合分析仪所获得的图像及泪膜破裂时间相关数据,早期精准诊断睑板腺功能障碍（MGD）,建立标准化的人工智能诊断体系。方法:本研究纳入677例于南昌大学第一附属医院就诊的受试者,共677只眼的1354张睑板腺图像及泪膜破裂时间。由3名眼科医师手工标注睑板及每根腺体的区域。标注好的睑板腺图像根据随机分组分为三组,分别用于nn U-Net分割模型的训练、验证与测试。以人工手动分割的图像为金标准,使用Dice系数及交并比（Io U）计算智能分割与手工分割的相似度,评估nn U-Net模型的性能。计算并比较智能分割的睑板腺评分与初级眼科医生肉眼估算的睑板腺评分的准确率。计算睑板腺缺失面积程度及年龄与泪膜破裂时间之间的相关性,构建泪膜破裂时间预测模型。首次泪膜破裂时间及平均泪膜破裂时间预测模型使用岭回归方法,泪膜破裂时间分级预测则使用多分类模型。回归模型的评价指标使用平均绝对误差（MAE）和均方根误差（RMSE）,多分类模型的评价使用准确率（ACC）。结果:nnU-Net模型识别睑板的平均Dice系数为93.45%,平均Io U为88.08%,平均灵敏度94.31%,平均特异度96.23%;识别睑板腺的平均Dice系数为69.92%,平均Io U为54.36%,平均灵敏度73.97%,平均特异度96.34%。初级眼科医生肉眼评估睑板腺评分的准确率为40.11%,平均每张图片耗时0.92秒,人工智能模型的准确率为70.37%,平均每张图片耗时0.04秒。上睑板腺缺失程度及年龄与首次泪膜破裂时间呈负相关（P＜0.05）,与泪膜破裂时间分级呈正相关（P＜0.05）。下睑板腺缺失程度与泪膜破裂时间相关参数之间均无明显相关性（P＞0.05）。在回归模型中,加入年龄因素的预测模型相较于未加入年龄的性能有所提升。在预测首次泪膜破裂时间上,模型的MAE指标为3.66,RMSE为4.83。在预测平均泪膜破裂时间上,模型的MAE指标为4.25,RMSE为5.27。在分类模型中,加入年龄因素后模型准确率同样有所提升,按上睑板腺缺失程度预测模型的ACC为0.44,按下睑板腺缺失程度及上下睑综合缺失程度预测模型的ACC均为0.43。结论:人工智能算法可以快速精准的量化睑板腺萎缩程度,为建立标准化自动化的人工智能诊断体系提供可能。仅使用睑板腺缺失面积程度及年龄还不足以准确的预测泪膜破裂时间,后期我们将加入其他相关数据,提升MGD预测模型性能,进一步完善睑板腺的早期精准诊断系统,为MGD的早期预防、早期治疗提供依据。