AROMA数据集支持OCT-A图像质量AI评估
摘要
研究团队构建了AROMA数据集，包含281次扫频源OCT-A扫描（来自115名匿名患者），每例含14张en face图像，并由多位专家标注伪影类型与严重程度及整体质量等级。基于该数据集训练的两个深度学习模型中，六通道张量模型图像质量分类准确率达97%，PCA压缩模型为87%。结果表明，针对伪影识别的专用AI可实现高精度OCT-A图像质控。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- AROMA数据集包含281次SS OCT-A扫描，来自115名匿名患者，每例含14张en face图像并标注伪影类型、严重程度及整体质量等级
- 研究训练了两个深度学习模型：基于PCA压缩的模型和六通道张量模型，均用于OCT-A图像质量二分类
- 六通道模型图像质量分类精度达97%，PCA模型为87%，证明任务特化AI可用于OCT-A伪影驱动的质量评估
本站解读
这背后是眼科影像从‘能看’走向‘可靠地看’的底层转向——设备普及后，临床瓶颈正从获取图像转向判断图像是否可信。人工判读伪影耗时且主观，而AROMA验证了AI质控的可行性：97%的分类精度不是实验室噱头，它直接对应诊断前的‘过滤门槛’。对行业格局而言，设备厂商若无法嵌入此类质控模块，其OCT-A系统将面临临床信任度下滑；而专注AI辅助诊断的初创公司和影像云平台将获得新支点。在中国市场，已有三甲医院在开展OCT-A伪影标注试点，但尚未形成统一标准，AROMA提供了一套可复用的标注范式和基线性能，有望加速国内质控算法备案进程。后续需重点关注：一是国家药监局是否将图像质量AI模块纳入OCT-A设备注册审评要点；二是2025年内是否有国产OCT-A设备厂商宣布集成类似功能。
预计未来3年，未通过AI质控的OCT-A图像将难以进入多中心临床研究数据库，这会倒逼基层医院采购带内置质控的设备，而非仅追求低价硬件。
常见问题
AI能帮我判断拍的眼底血管照片好不好吗？
目前这类AI工具主要在医院和科研机构使用，尚未作为独立软件向患者开放。中国已有部分三甲医院在测试类似功能，但尚未有获批的消费级应用。它不替代医生诊断，只是帮医生快速筛掉模糊、错位或运动伪影严重的图像。如有疑虑可咨询眼科医生。
以后做OCT-A检查会不会更准、更快？
会，但不是立刻发生。AROMA验证的是技术可行性，真正落地需通过中国药监局审批并集成进设备。据估计，国内主流OCT-A设备厂商可能在2025-2026年推出带内置AI质控的型号。这意味着未来检查时，机器会自动提示‘本次成像质量不足，建议重扫’，减少重复检查次数。
延伸阅读
AI量化OCT层衰减揭示地理萎缩结构功能关系
研究基于两项III期临床试验（Chroma和Spectri）共1519例地理萎缩（GA）患者数据，利用AI自动分割OCT图像，计算ELM、EZ和RPE层的衰减面积，并与BCVA、低亮度视力（LLVA）、阅读速度及微视野检查结果关联。结果显示：中央1mm区ELM损失面积与BCVA显著相关（r=-0.46），而LLVA更关联3mm环形区EZ损失；微视野中暗点数量与ELM/EZ总损失高度相关（r=0.67）。研究证实GA中解剖损伤位置决定功能缺损模式。
法国建成国家级罕见眼病数据仓库
法国启动FREDD项目，构建全国性、可互操作的罕见眼病数据仓库，由INSERM主导，采用三层集中架构，整合临床数据与眼科影像。2024年4月获监管批准，2025年3月在5家中心启动采集，首年纳入1649例视网膜色素变性患者（占全国登记病例20.3%），收集超1万张眼科图像。项目验证了在强监管环境下建设专科化多模态数据库的可行性，但长期可持续性依赖成本回收机制。
早期青光眼视野进展预测模型比较研究
研究通过模拟早期青光眼患者的视野数据，对比四种预测方法：个体化一阶自回归模型（AR(1)）、普通线性回归（OLR）、群体级长短期记忆网络（LSTM）和朴素基线预测。结果显示，在检查次数较少时（如前6–11次），LSTM误差最低；但随着检查次数增加，尤其在中、快速进展患者中，AR(1)的预测精度反超LSTM。评估指标为RMSE和点均绝对误差（PMAE）。