深度学习算法可自动分割地理萎缩眼的外层视网膜结构
摘要
研究验证了一种名为NMI-Outer Retina Analyzer（NMI-ORA）的深度学习算法，用于自动分割健康人和地理萎缩（GA）患者眼中的椭圆体带（EZ）与RPE-Bruch膜复合体。研究纳入30例健康眼和30例GA眼的SD-OCT扫描数据，结果显示该算法在健康眼中平均Dice系数达0.998，在GA眼中为0.995–0.998；厚度测量误差在健康眼中仅1.42±3.39 μm（2.98%），GA眼中则升至3.61±8.62 μm（23.06%）。结论认为该工具精度接近专家人工标注。
信息来源： PubMed Ophthalmology 发布于 2026年6月16日
要点速览
- 研究验证了NMI-ORA算法对健康眼和地理萎缩眼外层视网膜结构的自动分割能力，使用30例健康眼和30例GA眼的SD-OCT数据。
- 算法在健康眼中EZ-RPE厚度测量误差为1.42±3.39 μm（2.98%），GA眼中升至3.61±8.62 μm（23.06%）。
- Dice系数达0.995–0.998，与专家人工校正结果高度一致，表明其分割精度接近人工金标准。
本站解读
这项研究证实了一个深度学习工具能高度准确地自动识别并测量健康人和地理萎缩患者眼底关键结构的厚度——比如在健康眼中，算法测得的EZ-RPE厚度平均误差仅1.42微米，相当于不到3%的偏差；但在地理萎缩眼中，同一指标误差扩大到3.61微米、高达23.06%，说明病变越复杂，算法稳定性越受挑战。研究设计是回顾性分析，样本量共60眼，虽符合方法学验证的基本门槛，但远未达到临床决策支持所需的多中心、前瞻性大样本标准。短期内它不会替代医生判读，更可能先作为阅片辅助工具嵌入OCT设备软件中，帮医生快速定位异常区域。国内情况有待确认。
对普通人而言，无需因这项技术改变任何日常行为——它不涉及筛查建议、生活方式调整或用药变化。它的价值在于未来可能让GA这类难定量的疾病获得更客观、可重复的评估方式，从而提升临床试验终点的可靠性。不过，目前所有结果都停留在实验室验证阶段，离真实诊室还有距离。
常见问题
这个AI工具能直接帮我诊断有没有地理萎缩吗？
不能。它只是辅助测量眼底结构厚度的工具，不用于诊断。是否患有地理萎缩仍需由眼科医生结合眼底照相、OCT图像整体特征和临床表现综合判断。目前该算法尚未作为独立诊断产品获批上市，也不改变现有诊疗流程。如有疑虑可咨询眼科医生。
以后查OCT是不是就不用医生看了？
不是。该算法只负责自动勾画特定结构边界并计算厚度，无法理解图像背后的病理逻辑，也不能判断病变性质或进展风险。医生仍需全面解读OCT全图、对比随访变化、结合视力和视野等其他检查做综合评估。AI在这里是助手，不是替代者。
延伸阅读
中早期AMD进展预测与临床试验新路径
该综述聚焦于年龄相关性黄斑变性（AMD）的中间阶段（iAMD），指出目前尚无疗法可延缓其向晚期地理萎缩或新生血管型AMD进展。由于iAMD患者可能长达五年以上才出现明显进展，而临床试验需在约两年内得出结论，研究提出需同时满足两个条件：精准筛选高风险受试者，并采用敏感、可量化的结构终点。光学相干断层扫描（OCT）被推荐为首选工具，可同步用于富集高风险眼和量化进展，测量指标包括玻璃膜疣面积与体积、光感受器带完整性、高反射焦点等。
AI预测青光眼视野缺损的系统综述
研究系统回顾了36项利用人工智能基于OCT结构数据预测青光眼视野功能变化的论文。这些模型可预测全局视野指数、点位敏感度或视野进展趋势，性能因任务类型、OCT设备、视野检测模式和验证方式而异。部分研究采用热图、遮挡图等技术解释模型决策，生成的结构-功能映射与临床认知一致。但现有模型在晚期青光眼中表现下降，且受限于OCT扫描范围较窄。
AI自动识别OCT图像中的微动脉瘤
研究团队开发了一种基于三维卷积神经网络的AI模型，用于在糖尿病视网膜病变患者的光学相干断层扫描（OCT）图像中自动识别并三维分割微动脉瘤（MAs）。研究纳入125名受试者，涵盖健康眼及各期非增殖性和增殖性DR。模型在测试集上对单次扫描和多次平均扫描的微动脉瘤检测F1分数分别达96.0%和97.1%，并能定位其在内核层和外丛状层的分布。纵向分析显示该模型可追踪治疗前后微动脉瘤的消退与新生。