眼部血管AI分割综述:从多模态影像到临床转化
摘要
这篇结构化叙述性综述讨论AI血管分割如何把眼底彩照、SLO、OCTA、结构OCT和眼前节图像转化为定量血管生物标志物。作者指出,单个数据集上的好成绩不一定带来可靠的临床测量,误差可出现在采集、预处理、血管提取、指标计算和部署各环节。综述按像素重叠、中心线恢复、血管拓扑、生物标志物一致性和临床可操作性五个层面组织证据,并认为临床价值取决于可审计的全流程。
信息来源: PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- 综述涵盖眼底彩照、SLO、OCTA、结构OCT和眼前节图像的AI血管分割
- 单个数据集上表现好,不一定带来可靠的临床测量
- 证据按五个层面整理:像素重叠、中心线、拓扑、指标一致性、临床可操作性
- 眼前节血管的公开基准数据集存在缺口
本站解读
这是一篇综述,不是新的临床研究。它覆盖视网膜血管树、OCTA毛细血管层、脉络膜和脉络膜毛细血管、黄斑新生血管、角膜新生血管和结膜微血管等分割任务,并按五个评价层面整理证据。
因为设备、数据划分、标注和后处理差别很大,作者只汇总各研究报告的指标,不对研究排名。摘要提出临床转化需要眼球放大率校正、质量控制、跨设备和跨人群的外部测试、前瞻性影响研究,以及按医疗器械软件监管,同时指出公开的眼前节血管基准数据集存在缺口。
我们的判断是,这篇综述的价值在于提醒读者,分割模型在单个数据集上的高分不等于可用于临床测量,距离临床应用还需要后续研究验证。这一结论在国内人群中是否成立有待确认。
常见问题
AI分析眼部血管,现在能用来给我看病吗?
这篇综述的结论是还不能直接这样认为。作者指出,单个数据集上的好成绩不一定带来可靠的临床测量,临床转化还需要外部测试和前瞻性研究。如有疑虑可咨询眼科医生。
这项研究和普通人有什么关系?
关系不大。这是面向研究者的方法学综述,讨论的是算法如何评价和验证,没有针对具体疾病或患者的结论。
延伸阅读
眼科AI从诊断准确率到临床应用:一篇综述的观点
这篇综述指出,眼科人工智能的一个持续难题是,擅长图像分类的系统很少带来患者结局的改善。作者认为主要障碍包括数据偏倚、域偏移和标签噪声,缺少前瞻性随机部署试验,也常忽视以患者为中心的目标、成本效益和公平性。解决需要严格的外部验证、明确的决策标准和真实临床中的持续监测。
人工智能在神经眼科影像中的应用:叙述性综述
这是一篇叙述性综述,梳理已发表研究中人工智能在部分神经眼科疾病里的应用,重点讨论筛查、诊断和病情进展评估中的优点、局限与挑战。作者认为,深度学习和卷积神经网络在解读眼底照相、光学相干断层扫描(OCT)和磁共振成像方面显示出潜力,可用于视神经乳头异常的筛查、特征描述和监测,但多数应用仍处于研究、回顾性验证或概念验证阶段。
AI用于脉络膜影像分析的综述:潜力与障碍
这篇综述介绍人工智能在脉络膜成像中的应用。脉络膜是富含血管的一层,为外层视网膜提供营养,可能反映全身微血管健康。AI可自动增强、分割和分析脉络膜图像,有助于发现与眼病和全身疾病相关的脉络膜生物标志物。作者指出,解剖结构复杂、成像方案不统一、缺少大规模标注数据集阻碍了AI的应用,要把AI得出的脉络膜指标作为可靠的诊断和预后工具,必须先克服这些障碍。