AI通过OCT-A图像识别渗漏特征精准分期糖尿病视网膜病变
摘要
研究团队开发了一种结合影像组学与机器学习的新方法，利用OCT-A图像中渗漏区域的23个优化特征（如血管扭曲度、Haralick纹理、分形维数等），以FFA为金标准，对糖尿病视网膜病变（DR）进行无创分期。在99名患者、179张图像的数据集上，XGBoost模型仅用图像特征即达到96.6%准确率和98.9% AUC，显著区分中度非增殖期与早期增殖期DR。
信息来源： PubMed Ophthalmology 发布于 2026年6月1日
要点速览
- 研究基于99名患者、179张OCT-A图像，以FFA为参考，提取渗漏区域23个影像组学特征用于DR分期
- 采用XGBoost、Adaptive Boost和MLP三种分类器，其中XGBoost仅用图像特征即达96.6%准确率和98.9% AUC
- 熵值、Haralick特征、血管扭曲度、分形维数、空腹血糖等被识别为跨DR阶段的关键判别指标
本站解读
这项研究的核心突破在于：它没靠新设备，而是把已有的OCT-A图像‘读得更细’——聚焦于渗漏源头的微血管形态和纹理变化，用XGBoost模型实现了96.6%的分期准确率，远超传统人工判读的稳定性。样本量99例患者虽属中等规模，但采用多指标交叉验证（AUC、混淆矩阵、ROC曲线），设计严谨；不过数据来自单中心、仅限黄斑区扫描，且未覆盖极早期或晚期病例，临床泛化需更大范围验证。
短期内难直接改变门诊流程，因为模型依赖高质量OCT-A图像+FFA配准，目前尚未集成进主流设备软件，也未通过监管审批。真正落地还需厂商合作嵌入系统、完成前瞻性多中心试验。国内情况有待确认。
普通人无需因此调整日常管理——血糖控制、定期眼底检查仍是关键。这项技术未来可能让复查更精准、随访更个体化，但不改变‘谁该查、查什么’的基本逻辑。如有疑虑可咨询眼科医生。
常见问题
这个AI检测能代替打荧光造影吗？
不能完全替代。该方法仍需以FFA图像定位渗漏源作为训练和校准依据，属于‘用OCT-A模拟FFA判读逻辑’，而非摆脱FFA。FFA仍是当前评估渗漏的金标准，尤其对非黄斑区或复杂渗漏。OCT-A无创优势明显，但本研究未证明其可独立跳过FFA。如有疑虑可咨询眼科医生。
以后查眼底是不是不用散瞳也不用打针了？
OCT-A本身无需散瞳或注射造影剂，但本研究中的AI模型依赖FFA图像来标定渗漏位置，说明现阶段仍需FFA参与建模。未来若模型能在纯OCT-A上自主识别渗漏并分期，才可能减少FFA使用。目前该技术尚未进入临床部署阶段。如有疑虑可咨询眼科医生。
延伸阅读
大语言模型用于糖尿病视网膜病变患者教育的评估
研究对比了ChatGPT、Gemini、DeepSeek、Doubao、Copilot和Perplexity六款大语言模型在回答50个标准化糖尿病视网膜病变患者问题时的表现。由五名评审员依据安全、准确、共情、信息质量（DISCERN、JAMA等）、透明度和可读性等维度评分。结果显示，各模型安全响应率在86.0%至94.0%之间，准确性普遍较高，但共情能力差异明显；Perplexity在信息质量指标上得分最高，Gemini可读性最佳，但所有模型的Flesch阅读易度分均低于推荐阈值。
超广角OCTA联合临床指标识别2型糖尿病早期视网膜病变
该研究纳入1676名2型糖尿病患者，其中1047人用于训练、453人用于内部测试、176人来自社区的外部验证集。研究结合超广角光学相干断层扫描血管成像（UW-OCTA）图像与临床指标（如病程、糖化血红蛋白、低密度脂蛋白胆固醇和收缩压），构建多模态深度学习模型。结果显示，多模态模型在内部和外部验证集中AUC分别为0.921和0.849，优于仅用图像或仅用临床数据的模型，提示其有助于无创识别早期糖尿病视网膜病变。
FedMediFormer-XAI：面向糖尿病的联邦多模态AI框架
该研究提出FedMediFormer-XAI框架，整合联邦学习、多模态Transformer、扩散模型数据增强、图神经网络（GNN）药物推荐和可解释AI（XAI），用于糖尿病预测与个性化用药推荐。系统融合临床记录、眼底图像、动态血糖监测、可穿戴设备数据等多源异构信息。在代表性实现中，疾病预测准确率达94.2%，AUC-ROC为0.96；药物推荐模块NDCG达0.91。