空间感知神经符号AI用于OCT图像视网膜病分类
摘要
研究开发了一种融合CNN、视网膜层分割图与专家规则的神经符号AI模型，用于对OCT图像进行多标签视网膜疾病分类。模型在10类疾病（含干/湿性AMD、糖尿病视网膜病变等）上测试，微平均精确率0.91、召回率0.81、F1分数0.86，AUC达0.98；对402张未纳入训练的病理图像，未错误判为‘正常’。
信息来源： PubMed Ophthalmology 发布于 2026年10月5日
要点速览
- 模型在10类视网膜疾病上实现多标签分类，微平均F1分数为0.86，AUC达0.98。
- 采用CNN提取OCT征象、SegFormer生成视网膜层图、专家定义符号规则进行推理。
- 对402张未在训练中出现的病理OCT图像，未在0.5阈值下误判为‘正常’。
本站解读
这项研究本质上是让AI不仅‘猜对病’，还要‘说清为什么’——它把OCT图像先拆解成视网膜各层结构，再识别出血、积液等具体征象，最后用医生认可的逻辑规则组合判断，比如‘外核层增厚+视网膜下液→倾向中心性浆液性脉络膜视网膜病变’。这种设计比纯黑箱模型更可信，但样本完全来自回顾性数据，未说明具体病例数和来源中心数量，临床泛化能力尚待外部前瞻性验证。
短期内难改变临床流程：模型尚未嵌入真实阅片系统，也未通过监管审批，更未证明能提升医生诊断效率或减少漏诊。其最大价值是作为辅助解释工具，帮医生快速定位关键影像征象。文中提到对402张‘非目标疾病’图像零误判为正常，说明模型有保守倾向，但这不等于能识别新病种——结论明确强调‘不应解读为对未见疾病的诊断识别’。
普通人无需因此改变任何行为。该技术仍处于实验室验证阶段，离日常检查还有距离。国内情况有待确认。
常见问题
这个AI能直接帮我诊断眼病吗？
不能。它目前只是实验室阶段的研究模型，未获批用于临床诊断，也不能替代医生阅片。该AI的目标是辅助医生理解OCT图像中的关键征象并提供可解释的分类依据，而非独立给出诊断结论。如有疑虑可咨询眼科医生。
听说AI看OCT很准，是不是以后不用找医生看了？
不是。这项研究中的AI虽在特定任务上表现良好（如微平均F1达0.86），但它依赖预设的10类疾病和专家规则，无法处理规则外的新情况，也不具备综合问诊、眼底检查、随访判断等临床能力。医生仍是诊断和决策的核心。
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校正OCT测量提升高度近视青光眼诊断准确率
该研究纳入57只高度近视眼（31只为青光眼，26只为非青光眼），使用Spectralis OCT获取视盘周围RNFL厚度，再通过MGU-Net深度学习算法自动分割视网膜层并校正眼球伸长导致的扫描倾斜，生成AI校正值。结果显示，校正值比原始值平均低15–35 μm；在青光眼眼中，校正后的全局和下鼻象限RNFL变薄更显著；校正后下鼻象限AUC达0.69，联合ST/T/IT校正值的模型AUC升至0.79，优于未校正数据。
多模态AI模型用OCT区分儿童多发性硬化症
研究团队利用加拿大病童医院前瞻性收集的3D光学相干断层扫描（OCT）数据，分析211次儿童多发性硬化症（POMS）患者扫描和52次非炎性神经系统疾病儿童扫描。通过融合原始图像与52个自动分割特征，构建早期融合多模态深度学习模型，在区分POMS与非炎性疾病时达到AUC 0.90。结果表明，结合空间图像信息与结构量化特征可显著提升诊断效能。