AI分析显示DME患者外层视网膜结构损伤模式不同
摘要
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。
信息来源： PubMed Ophthalmology 发布于 2026年9月1日
要点速览
- 研究纳入2355只DME患眼，发现EZ中断（37.6%）比ELM中断（21.9%）更常见
- 使用经验证的AI平台量化OCT图像中的ELM/EZ中断比例、积液体积及炎症灶数量
- ELM中断与视力下降和视网膜下液负担相关性最强，EZ中断则更多关联炎症灶增多
本站解读
这项研究用AI自动识别OCT图像中的关键视网膜结构，发现DME患者外层视网膜的损伤不是‘一刀切’——EZ更容易出现中断（37.6%），但ELM一旦中断，往往意味着更严重的结构破坏和视力损害，其与视力的相关性比EZ更强。样本量达2355只眼，在OCT影像AI分析类研究中属于较大规模，且采用已验证的AI平台，方法学较扎实；但横断面设计只能说明关联，不能证明因果。
短期内很难直接改变临床做法：目前医生仍依赖主观判读OCT，AI量化尚未纳入指南或常规报告。要落地，还需前瞻性验证其能否提升治疗决策效率，比如指导抗VEGF注射频次或联合治疗选择。国内情况有待确认。
普通人无需因此调整日常行为——ELM/EZ状态是专业影像指标，不反映可自我察觉的症状变化。视力波动、视物变形等仍需及时关注，如有疑虑可咨询眼科医生。
常见问题
我的OCT报告写了‘椭圆体带不连续’，是不是病情很重？
不一定代表病情最重。研究发现EZ中断在DME中更常见（37.6%），常与炎症反应相关；而ELM中断虽较少见（21.9%），却与视力下降关联更强。单看一项指标不能判断整体严重程度，需结合视力、积液位置和量等综合评估。如有疑虑可咨询眼科医生。
AI看OCT比医生看更准吗？
这项研究用AI实现了标准化、可重复的ELM/EZ中断量化，减少了人工判读差异；但它目前是辅助工具，不能替代医生对整体图像、病史和视力的综合判断。AI结果需由眼科医生解读并用于临床决策。
延伸阅读
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。
用眼底照片估算视网膜厚度的AI模型研究
研究开发了一种基于基础模型RETFound的深度学习框架，直接从彩色眼底照片（CFP）预测光学相干断层扫描（OCT）测得的全层视网膜厚度（TRT）图。训练数据来自AI-READI（含Topcon Maestro2和Triton两种设备配对的CFP与OCT）、OCTA-500和EyePACS。发现Maestro2测得的TRT平均比Triton厚超30微米；采用‘个体化’或‘组合式’解码策略的模型对设备特异性参考值偏差约5%，而‘随机选择’策略则趋于两设备平均值。
深度学习自动识别糖尿病黄斑水肿亚型
研究团队基于3120张来自823只眼的OCT图像，构建了DME-Seg数据集，并用YOLO11x-Seg模型进行微调。该模型在病灶检测中mAP50达0.82，在像素级分割中mAP50为0.84，Dice系数分别为0.82和0.79，且在四种不同品牌OCT设备图像上表现出跨设备泛化能力。