AI自动诊断黄斑裂孔并生成结构化报告
摘要
研究团队开发了一套端到端的智能AI工作流，用改进版RETFound模型分析OCT图像，自动判断是否为黄斑裂孔，并调用GPT-4生成患者易懂的结构化报告。内部测试（n=180）准确率达100%，AUC为1.00；外部验证（n=1014）准确率98.8%，敏感度97.9%，特异度100%，AUC达0.999。Grad-CAM分析证实模型关注的是黄斑区真实病灶。
信息来源： PubMed Ophthalmology 发布于 2026年10月23日
要点速览
- 该AI工作流将OCT图像诊断与结构化报告生成分离，诊断由微调后的RETFound模型完成，报告由GPT-4生成。
- 采用患者级分层划分训练、验证与内部测试集，并在两个独立外部数据集（共1014例）上验证性能。
- 外部验证显示准确率98.8%、敏感度97.9%、特异度100%，Grad-CAM证实模型聚焦于黄斑区关键解剖结构。
本站解读
这项研究不是简单给OCT图像贴个‘有/无黄斑裂孔’标签，而是把诊断和沟通拆成两个独立环节：图像模型只管看图判病，语言模型只管写人话报告——这种分工避免了大模型‘幻觉’干扰诊断结果，也提升了报告的一致性和可读性。样本量上，1014例外部验证数据来自两个独立队列，且采用患者级分层，比单中心小样本更可靠；但所有数据均来自公开数据库，未涉及真实临床部署中的设备差异、图像质量波动或医生反馈闭环，离实际门诊嵌入还有距离。
短期内它不会替代眼科医生，但有望成为虚拟玻璃体视网膜诊所的核心模块：比如基层初筛后自动生成带图示说明的转诊报告，或帮助患者快速理解OCT结果。文中未提及其在中国的应用进展，国内情况有待确认。
常见问题
这个AI能直接告诉我眼睛有没有黄斑裂孔吗？
目前还不能作为独立诊断工具使用，但它在测试中对黄斑裂孔的识别非常精准——外部验证准确率达98.8%，敏感度97.9%，意味着漏掉真正患者的概率极低。不过最终结论仍需由眼科医生结合临床检查综合判断。如有疑虑可咨询眼科医生。
AI写的报告我能看懂吗？
能。这套系统专门设计为生成‘患者友好型’结构化报告，内容简洁、标准化，不依赖专业术语。研究明确提到所有样本均成功生成了此类报告，且语言模型未参与诊断决策，确保报告内容忠实反映图像分析结果。
延伸阅读
眼底OCT纵向分割数据集发布
研究团队构建了一个针对特发性全层黄斑裂孔手术患者的纵向OCT影像数据集，包含2591张黄斑中心水平和垂直B扫描图像，覆盖术前及术后2周至48个月共7个时间点。所有图像均配有专家标注的12种视网膜结构的像素级分割掩膜，涵盖病理性与解剖学特征，并通过Dice系数（>0.80）验证了标注可靠性。数据集还附带nnUNet基准模型，供AI方法开发与比较。
E2E-OCT模型提升声带白斑低风险病变识别率
研究团队基于自研手持式OCT设备采集了12例声带白斑患者的383张OCT图像，构建端到端联合学习模型E2E-OCT。该模型在五折交叉验证中整体准确率和召回率达98.17%和98.12%，低风险病变敏感度从87.72%提升至97.48%；在更严格的留一患者法验证中仍保持96.64%的敏感度，表明模型具备较强泛化能力。
基于OCT图像的黄斑裂孔最小直径自动测量方法
研究提出一种针对光学相干断层扫描（OCT）图像的黄斑裂孔（MH）最小直径自动化测量方法。该方法分三步：先构建专用MH图像子集，再通过去噪、二值化、形态学处理和边缘检测提取裂孔两侧轮廓，最后定位两侧轮廓上距离最近的点以计算最小直径。在公开数据集上，平均距离误差（ADE）多在1像素内，相对距离误差（RDE）多数低于2.50%，最高3.29%；临床测试中单例测量耗时约4秒。