深度学习可快速预测扩散MRI微血管信号
摘要
研究团队用5只小鼠的皮层微血管OCT血管造影图像，分割出4792个血管子图，构建九通道三维图像数据集，输入五种3D深度学习模型训练。模型能根据OCT血管图像直接预测扩散MRI信号，在随机划分测试中R²值不低于0.87；DenseNet169表现最优，单次预测耗时仅毫秒级，比传统物理仿真快4–6个数量级。
信息来源： PubMed Ophthalmology 发布于 2026年10月9日
要点速览
- 研究基于5只小鼠的皮层OCT血管造影图像，生成4792个血管子图用于模型训练。
- 采用DenseNet169等五种3D深度学习架构，输入含血管几何与血流动力学参数的九通道图像。
- 模型预测扩散MRI信号的R²值在随机划分测试中不低于0.87，单次预测耗时为毫秒级。
本站解读
这项研究本质上是给眼科和神经影像领域造了一个‘加速器’：它不靠复杂物理模拟，而是用深度学习模型从OCT血管图像里直接推算出扩散MRI信号——而且只用了5只小鼠的数据就实现了高精度预测（R²≥0.87），说明模型对微血管结构特征抓得很准。样本量虽小，但设计严谨：所有数据来自同一模态（OCT血管造影）并嵌入真实生理参数（如血流速、氧饱和度），且通过‘留一主体’交叉验证确认了泛化潜力（34.4%的预留样本达到高精度）。不过，这仍是方法学验证，离临床应用还有距离——目前只在小鼠皮层实现，尚未在人眼视网膜或青光眼/糖尿病视网膜病变等患者队列中验证；模型依赖高质量三维OCTA图像，而现有临床OCTA设备尚难稳定获取同等分辨率与信噪比的数据。普通人无需因此改变任何行为，该技术也不涉及诊断或治疗干预，如有疑虑可咨询眼科医生。国内情况有待确认。
常见问题
这个新方法能马上用在人的眼睛检查上吗？
不能。该研究仅在小鼠皮层组织中完成验证，尚未在人类视网膜或临床患者中测试。其依赖高分辨率三维OCT血管造影图像，而当前主流临床设备尚难稳定提供匹配的数据质量。技术转化需经历人体影像验证、多中心临床试验及监管审批流程，短期内不会进入常规眼科检查。如有疑虑可咨询眼科医生。
以后做一次眼底检查就能知道脑部微血管情况了吗？
目前不能。该研究仅证明在小鼠模型中，OCT血管图像可间接预测扩散MRI信号，但OCTA本身只能反映眼底微血管，无法直接反映脑部血管状态。两者解剖位置、血流调控机制和成像原理均不同。该方法属于计算建模探索，不是跨器官诊断工具。如有疑虑可咨询眼科医生。
延伸阅读
深度学习辅助OCT评估低强度激光治疗对伤口刚度的影响
该研究利用660 nm低强度激光治疗（LLLT）作用于伤口部位，结合光学相干断层扫描（OCT）与气流压痕系统，非接触式测量皮肤刚度变化。研究采用U-Net模型自动分割OCT图像，分割准确率达92%，从而实现分层定量分析。结果显示，LLLT治疗后皮肤刚度显著降低，提示其可急性调节伤口组织的生物力学环境。
多标签AI模型可单张眼底照同步筛查九种眼病
研究团队开发了一种多任务ConvNeXt深度学习模型，使用23.6万张眼底彩照（来自17个异质来源）训练，可同时识别糖尿病视网膜病变、年龄相关性黄斑变性等九种眼底状况。内部验证（47,229张图）显示AUROC在0.943–0.989之间；外部验证（4055张图，来自东亚健康筛查中心）中，八种病症阴性预测值（NPV）≥95.6%，其中糖尿病视网膜病变NPV达99.3%。
深度学习辅助内窥OCT引导肉瘤活检
该研究针对未分化多形性肉瘤和黏液纤维肉瘤，利用前向式内窥光学相干断层扫描（OCT）结合深度学习模型，在手臂和腿部离体组织样本上进行正常与肿瘤组织分类。研究对比了5种2D模型和1种自定义3D卷积神经网络（CNN），在强度OCT通道中，3D CNN达到92.67%的最高准确率；偏振敏感OCT（PS-OCT）通道则更受益于现代2D架构与3D建模，光学轴方向性能提升达9.63%。结果证实内窥OCT可作为活检中实时、无标记的组织表征工具。