用基线OCT预测中心性浆液性脉络膜视网膜病变慢性化
摘要
一项多中心回顾性队列研究纳入来自8个国际中心的329只初治中心性浆液性脉络膜视网膜病变(CSC)眼,平均随访4.2年,92只(28.0%)为急性、237只(72.0%)为慢性。研究用人工智能提取的基线OCT生物标志物建立随机森林模型预测慢性化,AUC为0.852(95%CI 0.748至0.940)。旁中心凹外核层厚度与慢性化的关联最强。
信息来源: PubMed Ophthalmology 发布于 2026年10月8日
要点速览
- 329只初治CSC眼来自8个国际中心,平均随访4.2年
- 92只(28.0%)为急性,237只(72.0%)为慢性
- 随机森林模型预测慢性化的AUC为0.852(95%CI 0.748至0.940)
- 旁中心凹外核层厚度与慢性化的关联最强(r=-0.414)
本站解读
CSC的视网膜下积液有的在随访中消退,被归为急性;有的持续存在,被归为慢性。这项研究想在首次就诊时用OCT预测走向。329只眼来自8个国际中心,平均随访4.2年,其中72.0%为慢性。随机森林模型的AUC为0.852(95%CI 0.748至0.940);AUC衡量的是区分能力,不是准确率。
这是多中心回顾性研究。慢性组年龄更大(51.7岁对43.2岁),基线视力更差。与慢性化关联最强的是旁中心凹外核层厚度(r=-0.414)。摘要没有提到在独立人群中验证过这个模型。
我们的判断是,基线OCT指标有预测慢性化的潜力,但目前还只是回顾性研究结果,尚不能当作个体预后的判断工具。国内情况有待确认。
常见问题
中浆会变成慢性吗?能提前知道吗?
在这项研究的329只眼中,237只(72.0%)后来被归为慢性。研究发现首次就诊时的OCT指标可以帮助预测,但这只是回顾性研究的结果,还不是常规的个人预测工具。如有疑虑可咨询眼科医生。
研究里的人工智能预测准吗?
模型的AUC为0.852,作者认为区分急性和慢性的表现良好,但AUC不是准确率,摘要也没有提到在独立人群中验证过。作者认为这类指标可能有助于预后判断和与患者沟通,如有疑虑可咨询眼科医生。
延伸阅读
机器学习量化OCT角膜纤维化指标评估术后雾视
研究开发了一种基于机器学习的方法,利用临床常规使用的频域光学相干断层扫描(OCT)图像,对角膜纤维化进行定量分类。由于PRK术后明显雾视发生率低且为暂时性,研究者转而用具有永久性纤维化改变的Fuchs角膜内皮营养不良患者图像训练模型,再将其应用于PRK术后患者图像。结果显示,模型输出概率结合OCT衍生的纤维化参数,可提供可解释、可量化的角膜愈合评估指标。
用OCT加机器学习区分儿童多发性硬化与非炎症性神经疾病
研究使用前瞻性登记的OCT三维扫描,评估多模态机器学习能否仅凭OCT区分儿童起病的多发性硬化(POMS)与非炎症性神经疾病。纳入POMS患儿的211次扫描,以及29名对照儿童的52次扫描。早期融合模型表现最佳:AUC 0.90,准确率87%,宏平均F1 0.77;最佳单一特征模型AUC 0.84,最佳图像模型AUC 0.79;晚期融合模型准确率为82%,但在少数类上表现不佳。
OCT与机器学习在儿童神经纤维瘤病1型视力异常检测中的应用
神经纤维瘤病1型(NF-1)是一种遗传性疾病,常导致儿童视力丧失。光学相干断层扫描(OCT)提供非侵入性、高分辨率的视网膜和视神经结构成像,但将其数据转化为临床预测工具仍具挑战。本研究通过回顾性纵向队列分析了168名3至19岁NF-1患儿的515次OCT测量结果,评估了多种机器学习模型识别当前视力异常的能力。结果显示,平衡随机森林模型表现最佳(AUC=0.82;敏感性=0.66)。视网膜神经纤维层(RNFL)和神经节细胞层(GCL+)变薄是视力异常最强的预测因子。基于总黄斑和神经层厚度的数据驱动截断值提供了明确的临床解释阈值,而累积“k-out-of-n”分析表明,结合多个OCT异常可增强风险分层。这些发现突显了可解释机器学习将OCT数据转化为可解释且具有临床操作性的工具的潜力,用于早期检测和管理NF-1患儿的视力异常。