基于OCT的角膜混浊自动检测算法
摘要
研究开发了一种利用光学相干断层扫描（OCT）图像自动识别角膜混浊的算法，该算法结合入射角和深度依赖的角膜反射模型。研究采用回顾性横断面诊断准确性设计，训练集含49名志愿者的95只健康眼，测试集包括42名患者的50只混浊眼及35只健康眼。算法在眼水平准确率达0.93，F1分数0.94，敏感度0.96，特异度0.89，优于5名医生标注员的平均表现；像素级Dice系数为0.58，分割面积达共识标注的98%。
信息来源： PubMed Ophthalmology 发布于 2026年5月20日
要点速览
- 算法基于入射角和深度依赖的角膜反射模型，在OCT图像上自动检测并分割角膜混浊。
- 使用95只健康眼建模，测试于50只混浊眼和35只健康眼，以裂隙灯检查为临床金标准。
- 眼水平准确率0.93、F1分数0.94，高于5名医生标注员的平均准确率（0.83±0.06）和F1分数（0.85±0.04）。
- 像素级Dice相似系数为0.58，总分割面积为专家共识标注的98%。
本站解读
这项研究证明，一个融合入射角与深度信息的反射模型，能显著提升OCT图像中角膜混浊的自动化识别能力——眼水平准确率0.93，比医生平均准确率0.83高出10个百分点。样本量适中（共135只眼），但属于单中心回顾性研究，未说明设备型号、扫描参数或混浊病因分布，临床泛化能力有待多中心前瞻性验证。
短期内难直接改变临床流程：算法需集成进OCT设备软件，通过监管审批，并与现有诊断路径（如裂隙灯）完成工作流整合。目前仅验证了对已知混浊病例的识别，未测试早期或微小混浊的检出能力，也未评估其对治疗决策的影响。
普通人无需因此改变日常行为，该技术不涉及筛查普及或居家应用。它面向的是医疗机构内的影像分析环节，患者仍依赖医生综合判断。国内情况有待确认。
常见问题
这个AI能代替医生看角膜病吗？
不能替代。该算法只是辅助识别OCT图像中的混浊区域，诊断仍需医生结合症状、裂隙灯检查和其他检查综合判断。研究显示其眼水平准确率虽高于医生平均表现，但像素级定位精度（Dice 0.58）低于医生共识（0.71），且未验证对早期病变或复杂混浊的识别能力。如有疑虑可咨询眼科医生。
以后做OCT检查会自动告诉我有没有角膜混浊吗？
目前还不会。该算法尚处于研究验证阶段，未集成进商用OCT设备，也未获得医疗器械监管批准。即使未来落地，也需要医院采购升级软件、完成操作培训和质控验证。现阶段OCT图像仍由医生人工判读。
延伸阅读
AI预测青光眼视野缺损的系统综述
研究系统回顾了36项利用人工智能基于OCT结构数据预测青光眼视野功能变化的论文。这些模型可预测全局视野指数、点位敏感度或视野进展趋势，性能因任务类型、OCT设备、视野检测模式和验证方式而异。部分研究采用热图、遮挡图等技术解释模型决策，生成的结构-功能映射与临床认知一致。但现有模型在晚期青光眼中表现下降，且受限于OCT扫描范围较窄。
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。
AI增强OCT可准确量化冠状动脉斑块负荷
研究团队开发了一种深度学习算法，用于全自动分析光学相干断层扫描（OCT）图像，以量化冠状动脉斑块负荷（PB）和血管尺寸。研究使用10例尸检人的心脏，对29支主要冠状动脉进行OCT和血管内超声（IVUS）成像，并与组织病理学金标准对比。共获得852个匹配的横截面数据，结果显示AI-OCT与病理结果的相关性不劣于IVUS，且无统计学显著差异。