AI影像组学在OCT上区分获得性卵黄样病变吸收期与视网膜下积液
摘要
该研究用AI驱动的影像组学分析结构OCT图像,试图区分获得性卵黄样病变(aVLs)吸收期的低反射亚视网膜空间与中心性浆液性脉络膜视网膜病变(CSCR)中的亚视网膜积液。研究为单中心回顾性设计,纳入aVL患者与CSCR对照组,共提取520个影像组学特征,筛选出9个用于建模。基于岭回归的分类器在训练集准确率达86.5%(AUC 0.89),独立测试集准确率80%(AUC 0.92),阴性预测值达92%。
信息来源: PubMed Ophthalmology 发布于 2026年10月23日
要点速览
- 研究用AI影像组学分析OCT图像,目标是区分aVL吸收期的低反射区与CSCR的亚视网膜积液。
- 共提取520个影像组学特征,经筛选后保留9个用于构建岭回归分类器。
- 模型在独立测试集准确率为80%,AUC达0.92,阴性预测值为92%。
本站解读
这项研究要解决的是OCT阅片中的一个具体难题:获得性卵黄样病变在吸收期会在视网膜下留下低反射空间,在OCT上与视网膜下积液相似,而两者的临床意义不同。研究者从OCT图像中提取了520个影像组学特征,筛选出9个训练分类模型,在独立测试集上准确率为80%,AUC为0.92,阴性预测值92%,阳性预测值67%。
这是一项单中心、回顾性的初步研究,测试集只占数据的25%,摘要没有说明具体病例数;对照组是急性中心性浆液性脉络膜视网膜病变患者,OCT图像还需要人工分割,离自动化应用有距离。67%的阳性预测值也说明,模型判为卵黄样病变吸收期的结果中仍有相当一部分是误判。作者提到,能否用于识别新生血管等并发症还需进一步研究。
我们的判断是,这项研究证明了用影像组学定量区分两种OCT表现的可行性,但短期内不会改变临床阅片方式。原文未涉及该方法在国内的应用,国内患者的适用性有待确认,如有疑虑可咨询眼科医生。
常见问题
这个AI能帮我分清是卵黄样病变还是视网膜下积液吗?
目前还不能用于看病。研究中的模型在独立测试集上区分这两种OCT表现的准确率为80%,AUC为0.92,但阳性预测值只有67%,而且是单中心回顾性的初步结果,图像还需人工分割。原文未涉及该方法在国内的应用,诊断仍需医生结合多种检查判断,如有疑虑可咨询眼科医生。
以后查眼睛是不是AI就能下诊断了?
短期内不会。这项研究只针对两种特定的OCT表现做区分,样本来自单一中心,作者也说明还需要进一步研究。现阶段AI工具在眼科主要起辅助作用,最终判断仍由医生结合病史和其他检查完成。原文未涉及该模型在国内的应用,如有疑虑可咨询眼科医生。
延伸阅读
基于注意力机制与对比学习的OCT多病种AI分类模型
研究团队开发了轻量级深度学习框架AESNet-SEC,在SqueezeNet基础上融合多尺度空洞卷积、空间注意力、挤压激励重校准和对比表征学习,用于OCT图像多病种分类。模型在公开数据集Retinal OCT-C8(24,000张图像,8类)上准确率为98.56%,在伊朗Zeyaei医院前瞻性采集的临床数据集(9732张B扫描,4类)上四次重复评估准确率为96.33%–96.98%。加入高斯噪声测试时,糖尿病视网膜病变和玻璃膜疣的识别下降更明显。Grad-CAM可视化显示模型关注区域符合视网膜解剖,独立视网膜专科医生的审阅给予了定性支持。作者表示仍需更广泛的患者分离、多中心验证。
基于OCT图像的冰毒成瘾AI检测框架
研究团队开发了一种结合深度学习与机器学习的混合框架,用于从光学相干断层扫描(OCT)图像中自动识别甲基苯丙胺成瘾者。该框架使用改进的ResNet50-OCT模型提取多层特征,经多分辨率特征选择降维后,由多种核函数的支持向量机分类,并通过阈值过滤迭代多数投票融合结果。在193名受试者的3859张OCT图像上测试,10折交叉验证准确率达89.43%,留一法验证为74.07%。
高分辨率OCT自动分割视网膜色素上皮层
研究采用轴向分辨率提升的高分辨率OCT,对110名健康受试者各一只眼进行扫描,按年龄分为三组(40岁以下、40至65岁、65岁以上),将视网膜色素上皮(RPE)分为内、中、外三层进行分割,并训练卷积神经网络(CNN)自动识别这些层次,量化各层厚度和反射率。结果显示CNN分割平均Dice系数为0.85;低反射的内层RPE在黄斑中心凹处缺失,向周边逐渐增厚;中层高反射RPE的反射率随年龄显著升高,在中心凹处H值为13.8。研究认为,这些正常人群数据可为识别早期视网膜改变和开发年龄相关视网膜疾病的结构生物标志物提供参考。