深度学习自动识别糖尿病视网膜病变中的IRMA
摘要
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。
信息来源： PubMed Ophthalmology 发布于 2026年10月1日
要点速览
- 研究基于254只眼（181名患者）的横断面数据，验证了CE-U-Net算法对IRMA的自动分割与计数能力。
- 算法融合非灌注区先验知识与注意力机制，在6×6 mm、12×12 mm、29×24 mm三种FOV扫描中均实现高一致性（ICC=0.81–0.86）。
- OCTA可检出从轻中度NPDR即出现的IRMA，其数量在重度NPDR阶段显著上升，尤其在29×24 mm超广角扫描中。
本站解读
这项研究证实，用深度学习自动识别并量化OCTA图像中的IRMA是可行的——不是只找医生肉眼可见的‘明显’病变，而是连影像上隐匿的‘潜在’IRMA也能稳定检出。算法在254只眼上测试，F1分数最高0.71（12×12 mm扫描），ICCs全部超过0.81，说明结果重复性好、接近专家水平。但这是横断面研究，没追踪患者进展，也没验证算法能否真正帮医生提前干预或改变治疗决策。
短期内难直接进临床：当前OCTA设备尚未普遍支持全自动IRMA分析，算法也未集成到主流厂商系统中；更关键的是，IRMA负担是否比现有标准（如ETDRS分级）更能预测视力预后，尚无前瞻性证据。普通人无需因此改变日常管理，控糖、定期眼科检查仍是核心；如有疑虑可咨询眼科医生。
常见问题
这个AI能帮我早点发现糖尿病眼病吗？
目前还不能直接用于个人筛查。该算法处于研究验证阶段，尚未整合进临床OCTA设备或诊断流程。它确实能比人眼多发现一些隐匿的IRMA，但这些发现是否意味着需要更早干预，尚无临床结局证据支持。控血糖、按医生建议定期做眼底检查仍是现阶段最可靠的做法。如有疑虑可咨询眼科医生。
以后查眼底还要散瞳吗？
这项研究用的是OCT血管成像（OCTA），本身不依赖散瞳，但OCTA检查目前仍需专业设备和操作，并不能替代所有传统检查。散瞳眼底照相或裂隙灯检查在评估DR整体分期、玻璃体牵拉等方面仍有不可替代的作用。是否需要散瞳，由医生根据检查目的决定。
延伸阅读
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。
AI驱动糖尿病视网膜病变研究的演进图谱
该研究对1996–2026年间全球12741篇AI用于糖尿病视网膜病变（DR）的文献开展计量分析，揭示其发展分为三个阶段：传统机器学习（1996–2014）、深度学习爆发（2015–2019）、Transformer模型兴起（2020至今）。美国、中国、印度为合作枢纽，新加坡产出高影响力成果。研究热点正从单病种分类转向多模态融合，基础仍为算法创新与临床验证，挑战在于数据整合、罕见病证据不足及跨场景验证。
AI自动识别OCT图像中的微动脉瘤
研究团队开发了一种基于三维卷积神经网络的AI模型，用于在糖尿病视网膜病变患者的光学相干断层扫描（OCT）图像中自动识别并三维分割微动脉瘤（MAs）。研究纳入125名受试者，涵盖健康眼及各期非增殖性和增殖性DR。模型在测试集上对单次扫描和多次平均扫描的微动脉瘤检测F1分数分别达96.0%和97.1%，并能定位其在内核层和外丛状层的分布。纵向分析显示该模型可追踪治疗前后微动脉瘤的消退与新生。