跳转到主要内容
学术研究 高优关注

AI模型自动评估OCTA图像质量:跨机构数据验证

PubMed Ophthalmology (2026年10月1日)

摘要

研究团队利用AI-READI数据集(1067名参与者的6269张6×6-mm和325张12×12-mm OCTA图像)及麻省眼耳医院(MEEI)539名患者的1100张6×6-mm图像,微调ResNet、EfficientNet、ViT和ConvNeXt v2四种深度学习模型,用于自动判别OCTA图像质量是否合格。在AI-READI的6×6-mm测试集上,各模型准确率为82.5%至83.5%,AUROC为0.904至0.913;在MEEI的6×6-mm测试集上,准确率为88.0%至94.3%,其中EfficientNet最高。研究认为模型可跨机构、设备和图像尺寸使用,适合临床研究前的快速质控。

信息来源: PubMed Ophthalmology 发布于 2026年10月1日

要点速览

  • 研究使用AI-READI数据集(1067名参与者、6269张6×6-mm OCTA图像)和MEEI数据(539名患者)训练四类深度学习模型。
  • 采用两位眼科医生与五名医学生共同标注图像质量,划分可接受/不可接受两类标签,并通过超参数网格搜索优化模型。
  • 在AI-READI的6×6-mm测试集上准确率为82.5%至83.5%;在MEEI外部测试集上EfficientNet准确率达94.3%,AUROC为0.974。
  • 在12×12-mm图像上各模型特异性为42.2%至74.1%,大视野图像表现较弱。

本站解读

这项研究解决的是OCTA研究中一个基础但费时的环节:图像质量把关。OCTA图像变异和噪声大,过去要靠人工逐张判断能否使用。研究者用AI-READI数据集训练四种深度学习模型,在本数据集的6×6-mm测试集上准确率在82.5%到83.5%之间,换到麻省眼耳医院的外部数据上反而更高,EfficientNet达到94.3%,AUROC为0.974。

我们的判断是,这类工具的近期价值在科研而非诊疗。作者把用途定位为“为未来临床研究快速筛查图像质量”,它判断的是图像能不能用,不判断眼睛有没有病。12×12-mm大视野图像上各模型特异性偏低,最低只有42.2%,说明在更大扫描范围上还需改进。

放到国内看,糖尿病眼病的多中心研究同样需要处理图像质量参差的问题,AI-READI这样公开、标注规范的数据集提供了一个可参照的做法。不过国内是否已有类似质控工具投入使用,原文没有涉及,有待确认。

常见问题

我有糖尿病,以后做OCTA检查会因为AI更快更准吗?

短期内不会直接改变你的检查。这项研究的AI只负责判断OCTA图片质量是否合格,主要用于科研前的质控,不负责判断有没有眼病。它在外部数据上的准确率最高为94.3%,但原文没有提到任何审批或临床部署,国内何时会有类似应用尚不确定,如有疑虑可咨询眼科医生。

OCTA照片拍得不清楚,会影响医生看结果吗?

会有影响,这正是这项研究想解决的问题。原文指出OCTA图像存在变异和噪声,给临床和研究使用带来困难,研究者因此训练AI来自动区分合格与不合格的图片。这类工具目前还在研究阶段,国内能否应用有待确认,拍摄效果是否满足判读需要,可以直接询问检查医生。

延伸阅读

学术研究

深度学习自动识别糖尿病视网膜病变中的IRMA

研究团队开发了一种名为CE-U-Net的深度学习算法,用于在扫频源OCT血管成像(SS-OCTA)上自动分割和计数视网膜内微血管异常(IRMA)。该算法在254只眼(181名患者)中进行了验证,覆盖非增殖期(NPDR,60.2%)和增殖期(PDR,39.8%)糖尿病视网膜病变。算法在不同扫描范围(6×6 mm、12×12 mm、29×24 mm)上均表现出良好一致性,IRMA计数与人工标注高度吻合(ICC最高达0.86),且IRMA数量随DR严重程度上升而显著增加。

#糖尿病视网膜病变#OCTA#人工智能
PubMed Ophthalmology
学术研究

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。

#糖尿病视网膜病变#OCTA#人工智能
PubMed Ophthalmology
学术研究

基于解剖分区的OCTA图像质量自动评估框架

研究团队提出一种新型OCTA图像质量评估方法,结合多区域分割(大血管、毛细血管网、FAZ)与统计校准的半监督学习。该框架使用Segment Anything模型进行解剖分区,提取边缘锐度、信噪比等可解释指标,引入0.9调制因子提升标注有限下的稳定性。在OCTA-500和独立临床数据集上,区域分割平均Dice系数达81.21%,分级准确率90.0%,Cohen kappa为0.864。

#OCTA#人工智能#医学影像质控
PubMed Ophthalmology