BanglaOCT2025：首个孟加拉人群源OCT数据集
摘要
研究团队从孟加拉国国家眼科研究所（NIOH）收集1585例OCT扫描数据，含202880张B超图像，其中857例由专家标注（54例干性AMD、61例湿性AMD、742例非AMD）。团队开发了基于约束优化的fovea中心定位算法和无需配对干净数据的Flip-Flop Swin Transformer自监督去噪模型，使下游AMD分类准确率从69.08%提升至99.88%。
信息来源： PubMed Ophthalmology 发布于 2026年2月1日
要点速览
- BanglaOCT2025是首个经临床验证、代表孟加拉人群的OCT数据集，含1585例OCT体积数据（202,880张B-scan）
- 提出两阶段预处理框架：约束型fovea中心定位算法 + 基于Flip-Flop Swin Transformer的自监督三维去噪模块
- 在固定分类器条件下，AMD分类准确率从69.08%提升至99.88%，验证了预处理对病理信号恢复的有效性
本站解读
这项研究首次为南亚人群建立了临床验证的OCT数据集，填补了AI眼科模型长期依赖西方人群数据的空白。1585例样本量在单中心回顾性研究中属中等偏上，但全部来自孟加拉国一家机构，泛化性仍需多中心验证；其核心价值不在诊断准确率跃升至99.88%——这个数字是在固定分类器权重下的‘信号恢复上限’测试，并非真实世界独立性能，而是证明预处理能极大释放原始数据中的病理信息。
短期内不会改变临床操作：FFSwin去噪模块尚未集成进商用OCT设备，fovea中心提取算法也未通过监管审批。它真正推动的是AI训练范式——未来针对亚洲人群开发的AMD辅助工具，将更可能基于此类结构化、低噪声、人群特异的数据启动。国内情况有待确认。
普通人无需因此调整任何行为：这不是新检查方式，也不影响现有诊疗流程。AI模型优化不改变AMD的自然病程或治疗选择，如有疑虑可咨询眼科医生。
常见问题
这个新数据集能帮中国患者早点发现黄斑变性吗？
目前不能直接帮助中国患者。该数据集来自孟加拉国，专为提升南亚人群AI模型性能设计，未涉及中国患者数据或国内临床部署。其技术路径（如fovea中心定位和去噪方法）未来可能被借鉴，但是否适配中国人群、何时进入国内产品尚无依据。如有疑虑可咨询眼科医生。
AI识别黄斑变性准确率提到99.88%，是不是以后不用医生看了？
不是。99.88%是在严格控制条件下的实验室结果——使用同一分类器、冻结权重、仅替换输入数据，属于信号恢复能力的上限测试，并非真实场景独立诊断准确率。AI目前只能作为辅助工具，不能替代医生综合判断。如有疑虑可咨询眼科医生。
延伸阅读
无需标注的AI模型实现跨设备RNFL自动分割
研究团队开发了名为Macula2Disc（M2D）的AI框架，仅用黄斑区OCT图像训练，即可在未标注的视盘周RNFL图像上完成分割。在1017张未标注的视盘周扫描图像上验证，RNFL分割Dice系数达87.42%，MIoU为80.43%。该方法不依赖视盘区域人工标注，能适配Heidelberg Spectralis和TowardPi BMizar-400K两种异构OCT设备，目标是提升青光眼结构评估的跨平台一致性。
中晚期干眼症结构生物标志物预测进展研究
MACUSTAR研究对577例中度年龄相关性黄斑变性（iAMD）患者进行了长达4年的随访，通过OCT等多模态影像分析多种视网膜结构标志物。结果显示，9.01%的眼在随访期内进展为地理萎缩（GA）或新生血管性AMD（nAMD），其中6.4%进展为GA、7.7%为nAMD。研究发现，不同标志物及其在视网膜中央3mm区域的分布与进展类型显著相关，如SDDs、PED、nCNV和cRORA提示总体进展风险，而nCNV体积仅增加nAMD风险。
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。