多模态AI模型用OCT区分儿童多发性硬化症
摘要
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。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- 研究基于211次儿童多发性硬化症和52次非炎性神经系统疾病儿童的OCT扫描数据开展分析
- 采用早期融合多模态模型，整合原始macular与optic nerve head图像及52个自动分割特征
- 早期融合模型AUC达0.90，显著优于单一图像或特征输入的模型
本站解读
这项研究发现，仅靠眼底OCT扫描，配合多模态AI模型（特别是早期融合方式），就能较准确地区分儿童多发性硬化症和非炎性神经疾病——AUC达0.90，意味着模型判别能力较强。样本量共263次扫描（211例POMS + 52例对照），虽来自单一中心且对照组仅29名儿童，但设计上采用前瞻性注册队列、纳入原始图像与自动特征双路径，方法扎实。不过，从论文到临床落地还有距离：模型尚未在外部中心验证，也未嵌入现有OCT设备工作流，更未证明能改变医生最终诊断决策。
普通人无需因此改变日常用眼或就诊习惯；该技术面向的是已出现疑似神经症状、正接受专科评估的儿童，不是筛查工具。目前它属于辅助判别手段，不能替代临床综合判断。国内情况有待确认。
常见问题
孩子眼睛查OCT能直接看出是不是多发性硬化吗？
不能。OCT本身不能直接诊断多发性硬化，这项研究只是测试AI模型能否辅助区分——它需要专业医生结合MRI、脑脊液等其他检查综合判断。目前该AI方法仍处于研究阶段，未用于常规临床诊断。如有疑虑可咨询眼科医生。
这个AI检测准不准？比医生看还准吗？
模型在本研究中AUC为0.90，说明判别能力较好，但这是在特定数据集上的表现，并未证明比经验丰富的神经科或眼科医生更准。它不替代医生，而是潜在辅助工具，且尚未在真实门诊环境中验证效果。
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。
AI-OCT系统可大幅减少糖尿病黄斑水肿误转诊
研究在香港开展，先通过603名糖尿病患者进行前瞻性静默验证，再在276名疑似糖尿病黄斑水肿（DME）患者中开展非劣效性随机对照试验。AI-OCT系统结合图像质量评估、DME检测与不确定性标记功能，在干预组中将DME误转诊率从69.1%降至24.1%，绝对下降45%，且敏感性保持100%。