E2E-OCT模型提升声带白斑低风险病变识别率
摘要
研究团队基于自研手持式OCT设备采集了12例声带白斑患者的383张OCT图像，构建端到端联合学习模型E2E-OCT。该模型在五折交叉验证中整体准确率和召回率达98.17%和98.12%，低风险病变敏感度从87.72%提升至97.48%；在更严格的留一患者法验证中仍保持96.64%的敏感度，表明模型具备较强泛化能力。
信息来源： PubMed Ophthalmology 发布于 2026年6月15日
要点速览
- 研究使用自建手持OCT系统采集12例声带白斑患者的383张图像，用于训练诊断模型。
- 提出端到端联合学习模型E2E-OCT，替代此前随机森林（RF）分类方法。
- 模型在五折交叉验证中将低风险病变敏感度从87.72%提升至97.48%，LOPO验证下仍达96.64%。
本站解读
这项研究本质上是用AI把OCT图像诊断声带白斑的‘漏诊风险’大幅压低——尤其针对容易被忽略的低风险病变，敏感度从87.72%跃升至97.48%，接近临床可接受阈值。样本量仅12名患者、383张图像，在AI医学影像研究中偏小，且全部来自同一套自建设备，未说明是否经多中心或多设备验证，稳健性存疑。虽然LOPO验证结果不错，但离真实手术室或门诊场景还有距离：OCT图像获取依赖操作者经验，模型尚未嵌入临床工作流，也未报告推理速度、医生交互界面或误判案例分析。
短期内不会改变临床做法。它仍是实验室阶段的算法优化，未涉及硬件集成、监管申报或人机协同测试。对普通人而言，无需因此调整任何行为——声带白斑本身属于耳鼻喉科疾病，与眼科无直接关联；原文虽发表于PubMed Ophthalmology，但内容不涉及眼病诊断或治疗。国内情况有待确认。
常见问题
这个OCT AI模型能帮我查出早期声带问题吗？
目前不能直接用于个人筛查。该模型处于研究阶段，仅在实验室环境下验证，尚未集成到医疗设备或通过监管审批。它依赖专业OCT图像采集，普通人无法自行操作。如有声带不适或长期声音变化，如有疑虑可咨询耳鼻喉科医生。
听说这是眼科发的论文，是不是也能看眼睛？
不是。该研究虽发表于PubMed Ophthalmology期刊，但内容完全聚焦于声带白斑的OCT图像识别，未涉及眼部结构、疾病或诊断。OCT技术虽在眼科广泛应用，但本模型专为声带组织特征设计，不可迁移用于眼底或角膜检查。
延伸阅读
AI自动诊断黄斑裂孔并生成结构化报告
研究团队开发了一套端到端的智能AI工作流，用改进版RETFound模型分析OCT图像，自动判断是否为黄斑裂孔，并调用GPT-4生成患者易懂的结构化报告。内部测试（n=180）准确率达100%，AUC为1.00；外部验证（n=1014）准确率98.8%，敏感度97.9%，特异度100%，AUC达0.999。Grad-CAM分析证实模型关注的是黄斑区真实病灶。
强直性肌营养不良1型患者视网膜各层结构增厚
该研究对比了79只强直性肌营养不良1型（Steinert病）患者眼和128只健康对照眼的光学相干断层扫描（OCT）图像，分析后极部及视盘周围区域多个视网膜层厚度。结果显示，患者普遍存在视网膜各层增厚，尤其视网膜神经纤维层（RNFL）在颞侧视盘区及乳头黄斑束区域显著增厚。研究认为OCT可作为评估该病视网膜受累的潜在结构标志物。
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。