自监督OCT图像分析新方法降低标注依赖
摘要
研究提出一种用于视网膜OCT图像分类的自监督表征学习框架，通过局部维度正则化缓解特征退化，保留细微结构信息。在三个独立OCT数据集上分别达到94.35%、92.48%和92.56%的分类准确率，性能优于主流自监督方法，旨在减少对专家标注的依赖。
信息来源： PubMed Ophthalmology 发布于 2026年8月23日
要点速览
- 研究提出一种自监督OCT图像分类框架，目标是减少对专家标注的依赖。
- 方法核心是估计学习表征的局部内在维度，并引入渐近Fisher-Rao正则化目标。
- 在三个独立OCT数据集上分类准确率分别为94.35%、92.48%和92.56%。
本站解读
这项研究本质上是让AI‘自己学会看懂’OCT图像——不用医生一张张标出病灶位置，而是靠算法自动挖掘图像中层状结构的几何规律。它用局部内在维度建模+ Fisher-Rao正则化来防止特征坍缩，再加对数缩放和几何平均提升鲁棒性，技术路径清晰且有数学支撑。样本来自三个独立数据集，虽未说明具体病例数，但多中心验证提升了可信度；不过所有实验都在实验室环境下完成，尚未见于真实诊室流程测试。
短期内很难直接改变临床做法：当前模型仍需集成进PACS或AI辅助诊断系统，且要通过CFDA认证、完成临床验证、对接医院IT架构，每一步都耗时数年。94.35%这个数字亮眼，但它是算法在理想数据上的表现，不等于医生实际使用时的诊断提升。国内情况有待确认。
普通人无需因此改变任何行为——这不涉及筛查建议、用药调整或生活方式干预，只是后台AI训练方式的优化。如有疑虑可咨询眼科医生。
常见问题
这个AI看OCT图的新方法，能代替医生诊断吗？
不能代替医生。该方法是一种提升AI自动分析能力的技术路径，仍需医生最终判读和决策。它尚未进入临床系统部署阶段，也未经过真实诊疗环境下的效果验证。目前所有结果均基于实验室数据集，准确率数字反映的是算法性能，不是临床诊断效能。如有疑虑可咨询眼科医生。
以后做OCT检查，结果会更快更准吗？
短期内不会。该研究属于算法底层优化，不直接影响患者检查流程或报告生成速度。从论文成果到医院实际应用，还需完成产品注册、系统集成、临床验证等多个环节。目前没有证据表明它已用于商用诊断软件或影响现有OCT设备的输出结果。如有疑虑可咨询眼科医生。
延伸阅读
轻量级AI模型可实现高血压视网膜病变床旁分级
研究团队开发了可在边缘设备（如便携式终端）运行的轻量级深度学习模型MobileViT-XXS，用于从en-face OCT图像对高血压视网膜病变（HR）进行患者级四分级评估。基于221名患者的478张OCT图像，在严格患者级划分的五折交叉验证下，该模型准确率达84.4%，ROC-AUC为0.944，kappa值0.916；对需转诊的HR（≥2级）识别准确率达95.6%，敏感度95.2%。模型仅占3.83 MB内存，推理速度达96帧/秒。
AI分析显示DME患者外层视网膜结构损伤模式不同
研究利用AI辅助OCT技术，对1688名糖尿病性黄斑水肿（DME）患者的2355只眼进行横断面分析，量化了外界膜（ELM）和椭圆体带（EZ）中断比例及与积液、炎症灶、视力的关系。结果显示：21.9%的眼睛存在ELM中断，37.6%存在EZ中断；EZ中断更常见，且与炎症性高反射灶增多相关；ELM中断则与视力下降和浆液性视网膜下液负担关联最强。
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。