AI模型通过OCT视网膜指标识别多发性硬化症
摘要
研究团队构建了一个机器学习模型,利用光学相干断层扫描(OCT)获取的黄斑区神经节细胞-内丛状层(GCL-IPL)和视盘周围视网膜神经纤维层(RNFL)各扇区厚度数据,对74例多发性硬化症患者和44名健康对照者进行区分。模型融合GCL与RNFL扇区指标后,F1分数达95.71%,精度为97.10%,显著优于既有基准方法。SHAP和PCA双图分析增强了模型可解释性。
信息来源: PubMed Ophthalmology 发布于 2026年6月6日
要点速览
- 研究使用74例多发性硬化症患者和44名健康对照者的双眼OCT数据训练AI模型。
- 模型整合黄斑GCL-IPL扇区与视盘周围RNFL扇区厚度指标,采用SHAP和PCA提升可解释性。
- 融合GCL与RNFL扇区指标后,模型F1分数达95.71%,精度97.10%,优于既有基准结果。
本站解读
多发性硬化(MS)是中枢神经系统的炎性脱髓鞘疾病,视网膜层厚度被认为可以反映神经损伤。这项研究用OCT测得的黄斑区神经节细胞-内丛状层(GCL-IPL)和视盘周围视网膜神经纤维层(RNFL)各扇区厚度训练机器学习模型,对象为74名MS患者和44名健康对照。单用GCL扇区的F1分数为94.29%,单用RNFL为87.84%,两者合并后达到95.71%,精度为97.10%。MS患者GCL和RNFL各扇区均比对照组薄(p<0.001)。
这些数字说明OCT视网膜指标作为MS无创生物标志物有潜力,但总样本只有118人,作者也把它定位为概念验证。要走向临床,还需要在更大、更多样的人群中验证,尤其要看能否区分MS与其他会导致视网膜变薄的疾病。
如果这类模型得到验证,OCT这种眼科常用检查有望为神经内科提供参考信息。国内是否有类似研究或应用,有待确认。如有疑虑可咨询眼科医生。
常见问题
这个AI查眼睛就能发现多发性硬化症,靠谱吗?
目前只能说有潜力,还不能用于诊断。研究中模型在74名患者和44名对照中F1分数达到95.71%,但样本较小,作者也把它定位为概念验证。能否用于临床,需要更大规模的验证。国内是否有同类产品或应用,原文没有提及,有待确认。如有疑虑可咨询眼科医生。
我做OCT查出视网膜神经纤维层变薄,是不是得了多发性硬化?
不能这样推断。研究发现MS患者的GCL和RNFL各扇区普遍变薄,但这是群体层面的比较,视网膜变薄也可能与其他眼病或神经系统问题有关,这项研究没有评估单次检查结果对个人的诊断意义。如有疑虑可咨询眼科医生,由医生判断是否需要进一步检查。
延伸阅读
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。
AI预测青光眼视野缺损的系统综述
研究系统回顾了36项利用人工智能基于OCT结构数据预测青光眼视野功能变化的论文。这些模型可预测全局视野指数、点位敏感度或视野进展趋势,性能因任务类型、OCT设备、视野检测模式和验证方式而异。部分研究采用热图、遮挡图等技术解释模型决策,生成的结构-功能映射与临床认知一致。但现有模型在晚期青光眼中表现下降,且受限于OCT扫描范围较窄。