OCT扫描密度影响AI对糖尿病黄斑水肿中IRF体积的量化准确性
摘要
研究纳入401只糖尿病黄斑水肿（DME）眼，同次就诊内用同一设备分别采集97、49和25条B扫OCT图像。通过CE认证的深度学习模型量化IRF体积、SRF体积、炎症性高反射灶（I-HRF）数量及光感受器完整性指标。结果显示，除IRF体积外，其余指标在三种扫描密度下均稳定；25扫协议高估IRF体积约0.077–0.079 mm³，且误差随IRF总量增加而扩大（阈值约1.1 mm³）。49扫方案在速度与精度间取得最佳平衡。
信息来源： PubMed Ophthalmology 发布于 2026年5月1日
要点速览
- IRF体积量化对OCT扫描密度敏感，25-B扫协议导致显著高估（平均偏差-0.077 mm³），而97扫与49扫结果可互换
- 研究采用CE认证深度学习模型分析9624个AI衍生生物标志物，覆盖IRF/SRF体积、I-HRF计数及光感受器完整性
- 49-B扫协议在扫描时间（23.6秒）与生物标志物精度之间实现最优平衡，推荐用于需精确IRF评估的临床场景
本站解读
这项研究明确指出：不是所有AI读OCT的结果都扛得住‘偷懒’——当临床为节省时间把OCT扫描从97条B扫砍到25条时，AI算出的视网膜内积液（IRF）体积会系统性高估近0.08 mm³，而且积液越多，误差越大；但其他指标如SRF体积、高反射灶数量几乎不受影响。研究设计扎实：401只眼、三次同 session 扫描、超9600次测量、CE认证算法，属于高质量方法学验证。
它不会立刻改变医生手里的操作手册，但会推动OCT采集协议标准化——尤其在临床试验或需要精准监测IRF变化的场景中，97扫或49扫将成为新基准，而25扫仅适用于快速筛查。49扫耗时23.6秒，比97扫省一半时间，却保住了IRF量化可靠性，是更现实的升级选项。国内情况有待确认。
常见问题
做OCT检查时，医生让我少扫几条线能快点，这样会影响AI判断我眼睛里有多少积水吗？
会影响。研究发现，如果OCT只扫25条线，AI计算的视网膜内积液（IRF）体积会比标准97条线多算约0.077 mm³，积液越多，这个误差越明显。97条和49条线的结果基本一致，所以49条线是兼顾速度和准确性的合理选择。如有疑虑可咨询眼科医生。
AI看OCT报告说我的光感受器受损了，这个结果准不准，跟扫多少条线有关系吗？
准。研究显示，光感受器完整性指标在25、49和97条B扫协议下结果稳定，不受扫描密度影响。这意味着无论OCT扫得密还是疏，AI对这部分结构的评估都可靠。如有疑虑可咨询眼科医生。
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。
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。
OSCAR-IB质控提升多发性硬化患者视网膜萎缩率测量稳定性
研究纳入173名多发性硬化患者，比较四种OCT图像预处理方式对视网膜神经纤维层（pRNFL）和神经节细胞-内丛状层（GCIPL）年萎缩率估算的影响。结果显示，采用OSCAR-IB质量控制后，pRNFL和GCIPL变化估计的残差方差分别降至1.50和0.65，低于原始数据的1.73和0.78；而人工分层校正未进一步提升纵向稳定性。