基于解剖分区的OCTA图像质量自动评估框架
摘要
研究团队提出一种新型OCTA图像质量评估方法，结合多区域分割（大血管、毛细血管网、FAZ）与统计校准的半监督学习。该框架使用Segment Anything模型进行解剖分区，提取边缘锐度、信噪比等可解释指标，引入0.9调制因子提升标注有限下的稳定性。在OCTA-500和独立临床数据集上，区域分割平均Dice系数达81.21%，分级准确率90.0%，Cohen kappa为0.864。
信息来源： PubMed Ophthalmology 发布于 2026年6月1日
要点速览
- 提出首个融合解剖分区与统计校准的OCTA质量评估框架，覆盖大血管、毛细血管网和FAZ三个区域
- 采用Segment Anything模型实现自动多区域分割，并提取边缘锐度、信噪比等物理可解释指标
- 在OCTA-500和独立临床数据集上实现90.0%分级准确率和0.864 Cohen kappa
本站解读
这项研究本质上是给OCTA图像装了一套‘解剖感知’的质量打分系统——不再笼统判断整张图好不好，而是分别评估大血管、毛细血管和FAZ三个关键区域的成像可靠性。它用上了当前热门的Segment Anything模型做自动分区，再结合物理可解释的指标（如边缘锐度、信噪比），比传统靠医生肉眼打分或全局统计的方法更贴合临床实际需求。
研究靠谱程度中上：在公开数据集OCTA-500和一个独立临床数据集上验证，90.0%的分级准确率和0.864的kappa值说明一致性很强；但未披露具体样本量，且所有测试均未涉及真实设备集成或前瞻性临床流程验证，属于算法层面的扎实推进，离手术室或检查室还有距离。
短期内不会改变一线医生的操作习惯，但对AI公司构建OCTA分析模型意义重大——能自动筛掉低质量图像，提升下游血管量化结果的稳定性。国内情况有待确认。
常见问题
这个新方法能让我的OCTA检查结果更准吗？
目前还不能直接影响您的单次检查结果准确性。该方法是用于后台图像质控，帮助医生或AI系统识别哪些图像质量不足、可能影响诊断判断。它不改变设备扫描过程，也不修正已有图像，但未来若集成进检查设备，有望减少因图像模糊导致的重复扫描。如有疑虑可咨询眼科医生。
以后做OCTA检查会不会更快更省事？
这项技术本身不缩短单次检查时间，但通过自动化筛选高质量图像，可降低因图像不合格而需重做的概率，间接提升检查效率。它主要服务于医疗机构的数据管理和AI建模环节，不是面向患者的直接功能升级。如有疑虑可咨询眼科医生。
延伸阅读
超广角OCTA联合临床指标识别2型糖尿病早期视网膜病变
该研究纳入1676名2型糖尿病患者，其中1047人用于训练、453人用于内部测试、176人来自社区的外部验证集。研究结合超广角光学相干断层扫描血管成像（UW-OCTA）图像与临床指标（如病程、糖化血红蛋白、低密度脂蛋白胆固醇和收缩压），构建多模态深度学习模型。结果显示，多模态模型在内部和外部验证集中AUC分别为0.921和0.849，优于仅用图像或仅用临床数据的模型，提示其有助于无创识别早期糖尿病视网膜病变。
OCT与OCTA在AMD研究中的进展：深度分析
该研究通过文献计量分析，探讨了2015年至2024年间光学相干断层扫描（OCT）和光学相干断层扫描血管成像（OCTA）在年龄相关性黄斑变性（AMD）领域的研究热点、新兴趋势和技术创新。研究发现，美国和中国是该领域的主要贡献者，其中美国在出版物数量和H指数上领先。加州大学系统在机构中表现最为突出。研究还表明，OCT和OCTA技术的结合，特别是与人工智能的整合，能够实现更早的病变检测、更精细的表型分类以及数据驱动的个性化管理。这些进步将显著提高AMD的诊断准确性和治疗决策。
大语言模型用于糖尿病视网膜病变患者教育的评估
研究对比了ChatGPT、Gemini、DeepSeek、Doubao、Copilot和Perplexity六款大语言模型在回答50个标准化糖尿病视网膜病变患者问题时的表现。由五名评审员依据安全、准确、共情、信息质量（DISCERN、JAMA等）、透明度和可读性等维度评分。结果显示，各模型安全响应率在86.0%至94.0%之间，准确性普遍较高，但共情能力差异明显；Perplexity在信息质量指标上得分最高，Gemini可读性最佳，但所有模型的Flesch阅读易度分均低于推荐阈值。