AI自动识别OCT图像中的微动脉瘤
摘要
研究团队开发了一种基于三维卷积神经网络的AI模型，用于在糖尿病视网膜病变患者的光学相干断层扫描（OCT）图像中自动识别并三维分割微动脉瘤（MAs）。研究纳入125名受试者，涵盖健康眼及各期非增殖性和增殖性DR。模型在测试集上对单次扫描和多次平均扫描的微动脉瘤检测F1分数分别达96.0%和97.1%，并能定位其在内核层和外丛状层的分布。纵向分析显示该模型可追踪治疗前后微动脉瘤的消退与新生。
信息来源： PubMed Ophthalmology 发布于 2026年9月11日
要点速览
- 研究基于125名受试者（含20名健康对照及各期糖尿病视网膜病变患者）开发AI模型，用于OCT图像中微动脉瘤的三维分割。
- 模型输入为原始OCT体积及其反射反转图像，采用带残差块的3D编码器-解码器网络架构，并经人机协同迭代标注构建金标准。
- 在测试集上，模型对多次平均OCT体积的微动脉瘤检测F1分数达97.1%，并发现MAs主要位于内核层和外丛状层。
本站解读
这项研究证实，AI能在OCT体积数据中高精度地识别和三维分割微动脉瘤——这是糖尿病视网膜病变早期关键标志物。它不是简单‘数点’，而是通过融合原始与反射反转图像、结合残差块编码器-解码器结构，在体素级（F1=86.1%）、病灶级（F1=97.1%）和眼级（诊断准确率97.5%）均达到临床可用水平。样本量125例、覆盖全病程分期、采用人工反复校验的‘人机协同’金标准标注，设计扎实；但横断面为主、仅1例纵向验证，尚不足以支撑常规随访替代人工判读。
短期内难直接改变临床流程：当前OCT设备未集成该算法，医生仍依赖传统眼底照相或OCTA筛查MAs，而本模型需专用后处理流程。真正落地需厂商合作嵌入扫描系统，并通过监管审批。国内情况有待确认。
普通人无需因此改变日常行为——这不涉及自我筛查或家用设备，也不改变现有检查项目或频率。如有糖尿病且担心眼底变化，常规随访中若医生安排OCT检查，未来可能间接受益于更精细的AI辅助分析，但目前仍以专业评估为准。
常见问题
这个AI能帮我查出有没有糖尿病眼病吗？
不能直接用于个人自查。该AI是实验室研发的分析工具，需配合专业OCT设备扫描和医生判读使用，目前未集成到临床检查流程中。它不替代眼底照相或OCTA等常规筛查手段，也不面向患者开放。如有糖尿病，仍应按医嘱定期接受眼科检查，如有疑虑可咨询眼科医生。
AI数微动脉瘤比医生准吗？
在研究设定下，AI在测试集上的病灶级检测F1分数达97.1%，略高于人工标注过程中可能遗漏或误判的情况。但它依赖高质量、多次平均的OCT体积数据和严格校准的标注标准，并非在所有临床场景下都优于经验丰富的医生。目前它属于辅助工具，目标是提升量化一致性，而非取代医生综合判断。
延伸阅读
AI分析显示DME患者外层视网膜结构损伤模式不同
研究利用AI辅助OCT技术，对1688名糖尿病性黄斑水肿（DME）患者的2355只眼进行横断面分析，量化了外界膜（ELM）和椭圆体带（EZ）中断比例及与积液、炎症灶、视力的关系。结果显示：21.9%的眼睛存在ELM中断，37.6%存在EZ中断；EZ中断更常见，且与炎症性高反射灶增多相关；ELM中断则与视力下降和浆液性视网膜下液负担关联最强。
AI识别OCT生物标志物预测糖尿病黄斑水肿治疗效果
该多中心回顾性研究纳入64名初治糖尿病黄斑水肿（DME）患者共77只眼，使用抗VEGF药物（88.3%为阿柏西普）治疗，平均注射9.93次。通过AI平台分析基线及负荷期后OCT图像，发现基线IRF体积较高、负荷期后外核层（ONL）厚度较低，是12个月结构改善的强预测因子；但视力改善（BCVA）与OCT指标关联较弱。
MultiRetNet：融合眼底与OCT图像的糖尿病视网膜病变分级与DME检测模型
研究提出一种名为MultiRetNet的轻量级可解释AI模型，能同时完成糖尿病视网膜病变（DR）严重程度分级和糖尿病性黄斑水肿（DME）检测。该模型融合同一就诊中采集的彩色眼底照和光学相干断层扫描（OCT）图像，采用双EfficientNet-B0主干网络分别提取特征后拼接，再通过共享全连接层实现多任务学习。研究在425对（共850张）配对图像组成的私有数据集上训练并验证。