高分辨率OCT自动分割视网膜色素上皮层
摘要
研究采用轴向分辨率提升的高分辨率OCT,对110名健康受试者各一只眼进行扫描,按年龄分为三组(40岁以下、40至65岁、65岁以上),将视网膜色素上皮(RPE)分为内、中、外三层进行分割,并训练卷积神经网络(CNN)自动识别这些层次,量化各层厚度和反射率。结果显示CNN分割平均Dice系数为0.85;低反射的内层RPE在黄斑中心凹处缺失,向周边逐渐增厚;中层高反射RPE的反射率随年龄显著升高,在中心凹处H值为13.8。研究认为,这些正常人群数据可为识别早期视网膜改变和开发年龄相关视网膜疾病的结构生物标志物提供参考。
信息来源: PubMed Ophthalmology 发布于 2026年11月1日
要点速览
- 研究纳入110名健康受试者,按40岁以下、40至65岁、65岁以上分为三组
- 将RPE分为内、中、外三层,训练CNN自动分割,平均Dice系数0.85
- 中层RPE反射率随年龄显著升高,内层RPE在黄斑中心凹处缺失、向周边增厚
- 研究为横断面设计,提供的是健康人群基准数据
本站解读
这项研究做的是打基础的工作:用分辨率更高的OCT,把视网膜色素上皮(RPE)细分成内、中、外三层,再训练AI自动分割,测出健康人不同年龄段各层的厚度和反射率。结果显示AI分割准确度较高,平均Dice系数0.85;中层RPE的反射率随年龄显著升高,内层在黄斑中心凹处缺失、向周边增厚。
研究纳入110名健康人,分三个年龄组,属于横断面观察,只能描述不同年龄人群之间的差异,不能直接说明同一个人的RPE随时间如何变化。研究者认为这些正常值可用于识别早期视网膜改变、开发年龄相关视网膜疾病的结构标志物,但这一用途还需要在患者中验证。
我们的判断是,这类正常人群基准数据是后续疾病研究的前提,短期内不会改变临床检查方式。研究使用的是改进分辨率的OCT设备,国内医院常规OCT能否实现同样的分层分析,原文未涉及,有待确认。眼底检查安排如有疑虑可咨询眼科医生。
常见问题
这个新方法能提前发现老年黄斑变性吗?
目前还不能。这项研究只纳入了110名健康人,目的是建立视网膜色素上皮各层随年龄变化的正常参考数据,研究者认为它将来可能帮助识别早期改变,但还没有在患者中验证预测能力。国内医院能否开展这种分层分析原文未涉及,如有疑虑可咨询眼科医生。
我体检做OCT,能看到RPE分成几层吗?
不一定能。研究使用的是轴向分辨率经过改进的高分辨率OCT,并配合专门训练的AI模型,才把RPE分成三层测量,这仍属于研究阶段的分析方法。国内常规体检OCT是否具备这种能力原文未涉及,OCT报告的解读如有疑虑可咨询眼科医生。
延伸阅读
基于OCT图像的冰毒成瘾AI检测框架
研究团队开发了一种结合深度学习与机器学习的混合框架,用于从光学相干断层扫描(OCT)图像中自动识别甲基苯丙胺成瘾者。该框架使用改进的ResNet50-OCT模型提取多层特征,经多分辨率特征选择降维后,由多种核函数的支持向量机分类,并通过阈值过滤迭代多数投票融合结果。在193名受试者的3859张OCT图像上测试,10折交叉验证准确率达89.43%,留一法验证为74.07%。
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。