跨厂商3D OCT多病种AI检测模型
摘要
研究开发了一种不依赖设备厂商的深度学习模型，可识别多种黄斑疾病。模型仅用海德堡Spectralis（厂商1）的3D OCT数据训练，但在测试中覆盖了厂商1、蔡司Cirrus（厂商2）的3D扫描及厂商1的2D扫描。共纳入6756例扫描用于训练，12236例用于外部验证。结果显示，对厂商1数据AUROC最高达0.999，厂商2为0.991；阴性预测值均超97.5%；临床重要漏诊率在紧急病例中为6.16%（厂商1）和6.70%（厂商2）。
信息来源： PubMed Ophthalmology 发布于 2026年2月26日
要点速览
- 模型仅用海德堡Spectralis的3D OCT数据训练，却在蔡司Cirrus等不同厂商设备的扫描上实现跨平台检测。
- 引入‘不确定’分类和分诊模块，提升对未知黄斑病变的识别鲁棒性，并支持临床优先级排序。
- 外部验证显示，对厂商2（Cirrus）的紧急病例临床重要漏诊率为6.70%，阴性预测值均高于97.5%。
本站解读
这项研究做了一件很实在的事：让一个AI模型不再被某一台OCT机器‘绑定’——它用海德堡Spectralis的数据训练，却能在蔡司Cirrus的图像上也跑出0.991的AUROC，还额外处理了2D扫描和未知病变。样本量扎实，跨中心、跨地域（香港、越南）、跨设备类型，设计比多数单中心AI论文更贴近真实场景。
但它的PPV（阳性预测值）波动大，厂商2数据最低仅46.0%，说明模型容易把正常人或非目标病灶误判为疾病，临床不能直接替代医生判断。目前仍属辅助工具，更适合做初筛分流，比如标记‘需优先阅片’或‘不确定，建议人工复核’。文中提到的‘triage模块’正是为此服务。
真正落地还需通过监管审批、嵌入医院PACS系统、匹配本地工作流。国内情况有待确认。
常见问题
这个AI能直接告诉我有没有黄斑变性吗？
不能直接下诊断。它属于辅助工具，主要帮医生快速筛查和分优先级。研究显示，对蔡司设备图像的阳性预测值最低只有46.0%，意味着近一半的‘阳性’结果可能是误报；但它阴性预测值超过97.5%，也就是说，如果它说‘大概率没有’，可信度很高。最终诊断仍需眼科医生结合检查综合判断。如有疑虑可咨询眼科医生。
我的医院用的是蔡司OCT，这个AI能用吗？
可以。研究明确测试了蔡司Cirrus设备的3D扫描，AUROC达0.991，证明模型具备跨厂商能力。它还兼容海德堡Spectralis的2D扫描，适用性较广。不过该模型尚未说明是否已集成进商用OCT系统，实际使用需看医院是否部署。如有疑虑可咨询眼科医生。
延伸阅读
AI软件自动量化地图样萎缩面积效果良好
研究评估了一款新型AI软件对年龄相关性黄斑变性（AMD）所致地图样萎缩（GA）的自动量化能力。纳入33例GA患者单眼及1例健康对照眼，共采集165次扫频源OCT图像。两名观察者盲法手动勾画GA区域，与AI结果对比显示：整体一致性极佳（Lin’s CCC=0.992），不同形态、数量病变中均保持高一致性；小病灶（<0.5 mm²）一致性略低（CCC=0.956）。软件重复性极好（ICC≥0.999）。
AI-OCT系统可大幅减少糖尿病黄斑水肿误转诊
研究在香港开展，先通过603名糖尿病患者进行前瞻性静默验证，再在276名疑似糖尿病黄斑水肿（DME）患者中开展非劣效性随机对照试验。AI-OCT系统结合图像质量评估、DME检测与不确定性标记功能，在干预组中将DME误转诊率从69.1%降至24.1%，绝对下降45%，且敏感性保持100%。
眼科AI热图临床可信度评估框架
研究提出两阶段临床导向框架，筛选适用于OCT视网膜疾病分类的可解释AI热图。基于Swin Transformer模型，在交叉验证中达97%准确率，外部验证为91.82%。Phase 1由1名眼科医生和1名AI专家初筛100张热图/方法；Phase 2由21名专科医生用五点量表评估解剖合理性。Token contRAST（TRAST）热图评分最高，Grad-CAM++次之，CGFM最低。