AI通过非视神经区域眼底图像识别颅内高压
摘要
研究开发了一种深度学习模型，用宽视野眼底图像判断患者是否存在颅内压升高合并视乳头水肿。共纳入32名患者（70张图像）和31名对照者（62张图像），分别测试模型与两位神经眼科医生在ONH未遮盖和ONH遮盖图像上的分类准确率。结果显示，模型在未遮盖图像中准确率达83%（AUC=0.94），遮盖后为79%（AUC=0.90），表现与专家相当，且不受ONH区域是否可见影响。
信息来源： PubMed Ophthalmology 发布于 2026年4月6日
要点速览
- AI模型在ONH遮盖图像中分类准确率达79%（AUC=0.90），与一位神经眼科医生水平相当。
- 研究使用宽视野眼底图像，通过遮盖视神经头区域来验证非ONH特征的诊断价值。
- DL模型性能在ONH遮盖前后无显著差异（P=1.0），表明其判别依据不依赖视乳头形态。
本站解读
这项研究发现，AI模型仅凭视神经头以外的眼底区域图像，就能以79%的准确率区分颅内高压患者与健康人——这个数字虽略低于未遮盖时的83%，但关键在于它证明了非视神经区域也蕴含诊断线索，打破了传统依赖视乳头形态判断的路径。研究样本量小（仅63人）、单中心、未做外部验证，属于初步探索性工作，离临床部署还有距离；但模型性能稳定、不依赖ONH可见性，说明其提取的是更普适的微血管或视网膜结构特征，技术思路有潜力。
短期内不会改变临床做法：目前颅内高压确诊仍需腰穿测压或影像学检查，该AI工具尚不能替代金标准，更可能作为筛查辅助或随访监测的补充手段。普通人无需因此改变日常行为，也不必专门去拍眼底照——如有头痛、视力模糊、恶心等疑似症状，如有疑虑可咨询眼科医生。
常见问题
这个AI看眼底照片真能查出脑子里压力高吗？
目前还不能单独靠它确诊，但研究显示AI模型能在不看视神经头的情况下，用眼底其他区域图像达到79%的分类准确率，说明存在潜在诊断线索。它尚未用于临床，仍需结合腰椎穿刺等检查确认。如有头痛、视力变化等症状，如有疑虑可咨询眼科医生。
以后去医院查眼底，是不是不用专门看视神经了？
不是。视神经头仍是评估颅内高压的关键部位，当前临床标准未变。这项研究只是发现眼底其他区域也有信息价值，属于技术探索阶段。医生仍会重点观察视乳头水肿等典型体征，AI工具尚未进入诊疗流程。
延伸阅读
CNN、Transformer与Mamba模型在眼病分类中的性能对比
研究首次将Mamba架构应用于彩色眼底图像的多类别眼病自动分类，并在相同实验条件下对比了6种CNN、Transformer和Mamba模型在Eye Disease Image Dataset（EDID）上的表现。结果显示三类模型整体性能相近；对前三名模型进行logit级集成后略有提升，表明它们捕捉的视觉特征存在部分互补性。研究还指出，结构特征明显的眼病识别更稳定，而特征细微或重叠的类别仍具挑战性。
CVT相关颅内高压患者的长期视力与头痛结局
该研究回顾性分析了2019至2025年间某三级颅内高压专科门诊收治的19例脑静脉窦血栓（CVT）继发颅内高压成人患者，平均随访3.4年。使用最佳矫正视力、自动视野计和OCT测量视盘周围RNFL厚度评估视觉功能。结果显示84.2%患者视力正常，但26.3%存在严重视野缺损，15.8%出现RNFL变薄；94.7%患者头痛持续存在，其中26.3%符合药物过量性头痛诊断标准。
空间感知神经符号AI用于OCT图像视网膜病分类
研究开发了一种融合CNN、视网膜层分割图与专家规则的神经符号AI模型，用于对OCT图像进行多标签视网膜疾病分类。模型在10类疾病（含干/湿性AMD、糖尿病视网膜病变等）上测试，微平均精确率0.91、召回率0.81、F1分数0.86，AUC达0.98；对402张未纳入训练的病理图像，未错误判为‘正常’。