无代码AutoML实现OCT图像自动分类
摘要
研究者使用谷歌云Vertex AI平台，对434张公开OCT B扫描图像进行无代码自动机器学习建模，将图像分为ERM、LMH、MH和正常视网膜四类。模型整体平均精确率为0.988，精确率与召回率均为97.6%，其中MH和正常视网膜分类达到100%精确率与召回率。结果表明，临床医生无需编程即可快速构建高精度OCT分类模型。
信息来源： PubMed Ophthalmology 发布于 2026年6月8日
要点速览
- 研究基于434张OCT B扫描图像，分为ERM、LMH、MH和正常视网膜四类进行分类建模。
- 采用谷歌云Vertex AI无代码AutoML平台，自动完成数据划分（80%训练/10%验证/10%测试）、训练与优化。
- 模型整体平均精确率为0.988，MH和正常视网膜分类精确率与召回率均为100%。
本站解读
这项研究证明，不写一行代码也能训练出高精度的OCT图像分类模型——在仅434张图像的小样本下，平均精确率达0.988，MH和正常视网膜甚至实现100%精准识别。虽然样本量偏小、来自公开数据集、未做前瞻性验证，但作为概念验证已足够扎实：它绕过了AI开发中最难啃的技术门槛，让眼科医生真正成为AI工具的主导者，而非被动使用者。
短期内还难以直接替代医生判读，毕竟LMH的精确率只有83.3%，且所有误判都集中在解剖结构相近的疾病之间，说明模型尚未掌握细微病理差异。这类工具更可能先作为辅助标注或初筛模块嵌入报告系统，缩短医生阅片时间，而非独立诊断。国内情况有待确认。
普通人无需因此改变任何行为——OCT检查流程、报告解读方式、随访节奏都不会因这项技术立即变化。它不改变诊疗路径，也不影响患者决策，如有疑虑可咨询眼科医生。
常见问题
这个AI能代替医生看OCT图吗？
不能代替医生。模型在MH和正常视网膜上表现完美，但LMH的精确率只有83.3%，且所有误判都发生在相似结构疾病之间，说明它尚不能可靠区分细微病理差异。目前定位是辅助工具，帮助医生提高效率，而非独立诊断。如有疑虑可咨询眼科医生。
以后做OCT检查会更快出结果吗？
未来有可能。该技术可集成到影像系统中，自动完成初步分类和标注，缩短医生阅片时间。但当前仍处于研究验证阶段，尚未进入临床部署流程，实际应用还需通过合规性验证和系统整合。如有疑虑可咨询眼科医生。
延伸阅读
轻量级AI模型可实现高血压视网膜病变床旁分级
研究团队开发了可在边缘设备（如便携式终端）运行的轻量级深度学习模型MobileViT-XXS，用于从en-face OCT图像对高血压视网膜病变（HR）进行患者级四分级评估。基于221名患者的478张OCT图像，在严格患者级划分的五折交叉验证下，该模型准确率达84.4%，ROC-AUC为0.944，kappa值0.916；对需转诊的HR（≥2级）识别准确率达95.6%，敏感度95.2%。模型仅占3.83 MB内存，推理速度达96帧/秒。
AI分析显示DME患者外层视网膜结构损伤模式不同
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。
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。