AI辅助LC-OCT诊断基底细胞癌的新评分方法
摘要
研究提出两种新的扫描级AI评分指标——复合得分（每扫描中100%分帧占比）和稳定性得分（每扫描中最长连续100%分帧数），用于提升线场共聚焦光学相干断层扫描（LC-OCT）对皮肤基底细胞癌（BCC）的判别能力。分析568段LC-OCT视频（来自52名患者的82处病灶，含18例BCC和64例非BCC），结果显示两项得分在BCC组均显著更高（p<0.0001）。探索性设定48帧连续100%分阈值，实现100%敏感性和100%特异性。
信息来源： PubMed Ophthalmology 发布于 2026年10月1日
要点速览
- 研究基于568段LC-OCT视频（来自52名患者的82处病灶，含18例BCC和64例非BCC），提出扫描级复合得分与稳定性得分两个新指标。
- 定义稳定性得分为‘每扫描中最长连续100% AI分帧数’，并探索出48帧连续阈值。
- 该阈值在本研究中达到100%敏感性和100%特异性，但作者强调需外部验证后方可临床应用。
本站解读
这项研究没有发明新设备或新算法，而是重新组织了AI输出结果的解读方式：把原本难懂的‘每帧0–100%分数’，压缩成两个更直观的扫描级数字——有多少帧打满分、最长连多少帧打满分。用568段视频验证后，发现只要某次扫描里出现连续48帧AI都给100分，就能几乎确定是BCC，且没漏掉一个、也没误判一个。但样本量小（仅18个BCC）、全部来自单中心，属于高度理想化的初步验证。
这类指标离真正进诊室还有明显距离：它依赖高质量LC-OCT视频采集，而现实中患者移动、角质层厚度差异都会打断‘连续高分帧’；更重要的是，论文自己明确说‘需在独立队列中外部验证’——这意味着当前结果很可能在其他医院复现不了。短期内不会改变皮肤科或眼科医生的活检决策流程。
普通人完全不需要因此改变行为：LC-OCT目前主要用于皮肤科和部分眼科专科中心的表浅肿瘤评估，并非大众常规检查；AI评分也未替代病理金标准。如有皮肤新发结节、长期不愈溃疡等疑虑，可咨询眼科医生或皮肤科医生。
常见问题
AI看一眼皮肤就能确诊基底细胞癌吗？
不能。这项研究只是优化了AI对LC-OCT图像的解读方式，并未实现‘一眼确诊’。它仍需专业设备采集视频，且当前结果仅在小样本中验证，尚未通过多中心外部测试。AI评分不能替代组织病理检查，确诊仍需活检。如有皮肤新发结节、破溃不愈等情况，如有疑虑可咨询眼科医生或皮肤科医生。
这个AI工具现在能在医院用了吗？
还不能。研究使用的AI模型处于实验室验证阶段，仅在单一数据集上测试，论文明确指出‘需在独立队列中外部验证后才能临床实施’。目前LC-OCT设备本身在国内的应用也较有限，该AI辅助功能尚未进入任何临床指南或审批路径。
延伸阅读
共定位皮肤镜与LC-OCT联合AI评估基底细胞癌切缘
研究开发了一种名为'BCC-One-Stop-Shop'的单次就诊工作流，整合皮肤镜、线场共聚焦光学相干断层扫描（LC-OCT）及人工智能模型，实现基底细胞癌术前活体切缘定位与术后切缘评估。通过算法将LC-OCT图像实时映射到皮肤镜图像上，并由AI输出肿瘤概率分值，生成彩色编码可视化图。结果显示该流程操作快捷、易学，有助于提升术前切缘判断准确性，患者反馈积极。
GPT-5-Thinking辅助识别眼眶及头颈部肿瘤MRI报告
该研究在两家中心开展，纳入1000例经病理证实的眼眶或头颈部肿瘤患者，使用GPT-5-Thinking模型分析其治疗前MRI报告。模型输出良恶性判断及前三项鉴别诊断。第一阶段显示，模型对眼眶肿瘤的Top-1诊断准确率为76.7%，与亚专科医生的78.3%相近；第二阶段中，7名普通放射科医生在AI辅助下重读报告，诊断准确性提升。
动态聚合联邦学习用于视网膜静脉阻塞检测
研究提出一种新型联邦学习框架，用于在多家医疗机构间协同训练视网膜静脉阻塞（RVO）AI检测模型。该框架在服务器端根据数据分布特征，自动选择FedAvg或SCAFFOLD算法进行模型聚合，通过监测通信轮次间的归一化L2散度实现动态切换。实验在模拟的5个客户端、二分类RVO数据集上验证，覆盖IID与非IID两种数据分布场景。