AI校正OCT测量提升高度近视青光眼诊断准确率
摘要
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。
信息来源： PubMed Ophthalmology 发布于 2026年6月3日
要点速览
- 研究纳入57只高度近视眼（31例青光眼，26例非青光眼），评估AI校正OCT对青光眼诊断的价值。
- 采用MGU-Net深度学习算法自动分割视网膜层并补偿扫描倾斜，生成AI校正的RNFL厚度值。
- AI校正后下鼻象限AUC为0.69，高于未校正的0.63；联合ST/T/IT校正值的模型AUC达0.79。
本站解读
这项研究发现，对高度近视患者做OCT检查时，用AI算法（MGU-Net）校正扫描倾斜后，RNFL厚度测量值平均降低15–35 μm，且更能反映真实青光眼损伤——比如校正后下鼻象限AUC从0.63升到0.69，联合三个象限的模型AUC达0.79。样本量仅57眼，属小规模横断面诊断试验，虽设计合理（有对照、用ROC验证），但不足以直接推动指南更新。
短期内难改变临床做法：当前OCT设备尚未集成此类校正算法，医生仍依赖原厂默认输出；算法需在多中心、更大样本（尤其含晚期病例）中验证稳定性。普通人无需因此改变用眼习惯或检查频率，AI校正是后台技术优化，不改变筛查逻辑——如有视力变化或视野缺损疑虑，可咨询眼科医生。
国内情况有待确认。
常见问题
AI校正OCT检查是不是以后查青光眼更准了？
对高度近视人群来说，这项研究显示AI校正确实提升了OCT识别青光眼的准确性，比如下鼻象限的诊断效能（AUC）从0.63提高到0.69。但该技术目前处于研究阶段，尚未整合进常规OCT设备，也未进入临床标准流程。它不改变检查方式，也不替代医生判断。如有疑虑可咨询眼科医生。
我有高度近视，现在做OCT还要特别注意什么吗？
目前常规OCT检查无需因这项研究调整操作或解读方式。AI校正属于后台算法优化，不改变患者检查流程或报告呈现形式。高度近视本身会干扰RNFL测量，医生已有经验结合其他指标（如视盘形态、视野）综合判断。如有视力变化或视野缺损疑虑可咨询眼科医生。
延伸阅读
无需标注的AI模型实现跨设备RNFL自动分割
研究团队开发了名为Macula2Disc（M2D）的AI框架，仅用黄斑区OCT图像训练，即可在未标注的视盘周RNFL图像上完成分割。在1017张未标注的视盘周扫描图像上验证，RNFL分割Dice系数达87.42%，MIoU为80.43%。该方法不依赖视盘区域人工标注，能适配Heidelberg Spectralis和TowardPi BMizar-400K两种异构OCT设备，目标是提升青光眼结构评估的跨平台一致性。
大语言模型生成高度近视考题能力评估
研究对比了ChatGPT-5.4、Gemini 3、DeepSeek、Kimi K2.5和Doubao五款公开大模型在高度近视领域生成单选题（MCQ）的能力。每模型完成60道题，共300题，覆盖基础理论、临床案例、诊疗决策及筛查随访四类内容。所有模型结构合格率均为100%，但关键答案准确率从95.0%（Kimi K2.5、Doubao）到100.0%（ChatGPT-5.4、Gemini 3）不等。专家评审发现各模型在干扰项质量与事实准确性上存在显著差异，需人工审核方可用于教学。
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）。