用眼底照片估算视网膜厚度的AI模型研究
摘要
研究开发了一种基于基础模型RETFound的深度学习框架，直接从彩色眼底照片（CFP）预测光学相干断层扫描（OCT）测得的全层视网膜厚度（TRT）图。训练数据来自AI-READI（含Topcon Maestro2和Triton两种设备配对的CFP与OCT）、OCTA-500和EyePACS。发现Maestro2测得的TRT平均比Triton厚超30微米；采用‘个体化’或‘组合式’解码策略的模型对设备特异性参考值偏差约5%，而‘随机选择’策略则趋于两设备平均值。
信息来源： PubMed Ophthalmology 发布于 2026年5月16日
要点速览
- 研究基于RETFound基础模型，从彩色眼底照片直接预测OCT-derived全层视网膜厚度图，无需图像配准等预处理。
- 使用AI-READI（含Maestro2与Triton双设备配对数据）、OCTA-500和EyePACS三类数据联合训练与评估。
- Maestro2测得的视网膜厚度平均比Triton厚超30微米；‘个体’和‘组合’解码策略对设备特异性参考值的相对偏差约5%。
本站解读
这项研究的核心突破是让普通眼底照相——一种基层筛查常用、低成本、易操作的检查——能间接反映原本只有OCT才能提供的定量厚度信息。它没跳过临床现实：直接用多设备真实数据训练，承认并利用了不同OCT设备间30微米以上的系统性差异，而不是强行统一标准。样本虽未说明总例数，但整合了AI-READI（双设备配对）、OCTA-500和EyePACS多个公开数据集，覆盖设备多样性与数据规模，设计上比单中心小样本更贴近落地需求。
不过，论文验证停留在算法性能层面，尚未进入临床前瞻性试验。要真正嵌入筛查流程，还需证明该AI输出的厚度估计值能稳定驱动诊疗决策，比如识别青光眼早期变薄或糖尿病黄斑水肿进展。短期内不会替代OCT，但有望成为高危人群初筛的增强工具。国内情况有待确认。
普通人无需因此改变日常护眼习惯或检查频率。这项技术不改变患者行为，只可能在未来让一次眼底拍照承载更多信息。如有疑虑可咨询眼科医生。
常见问题
以后拍个眼底照就能知道视网膜有没有变薄吗？
目前还不能直接用于临床判断。该研究证明AI可以从眼底照片估算出类似OCT的厚度数值，但尚未在真实筛查中验证其是否能可靠提示疾病风险。它属于技术可行性验证阶段，不是已上市的诊断工具。如有疑虑可咨询眼科医生。
这个AI模型能代替做OCT检查吗？
不能代替。OCT仍是测量视网膜厚度的金标准，提供高分辨率横断面图像和精确分层数据。该AI只是从普通眼底照中‘估算’厚度，精度受限于输入图像质量与设备差异，目前定位是辅助筛查而非替代诊断。如有疑虑可咨询眼科医生。
延伸阅读
AI分析显示DME患者外层视网膜结构损伤模式不同
研究利用AI辅助OCT技术，对1688名糖尿病性黄斑水肿（DME）患者的2355只眼进行横断面分析，量化了外界膜（ELM）和椭圆体带（EZ）中断比例及与积液、炎症灶、视力的关系。结果显示：21.9%的眼睛存在ELM中断，37.6%存在EZ中断；EZ中断更常见，且与炎症性高反射灶增多相关；ELM中断则与视力下降和浆液性视网膜下液负担关联最强。
MultiRetNet：融合眼底与OCT图像的糖尿病视网膜病变分级与DME检测模型
研究提出一种名为MultiRetNet的轻量级可解释AI模型，能同时完成糖尿病视网膜病变（DR）严重程度分级和糖尿病性黄斑水肿（DME）检测。该模型融合同一就诊中采集的彩色眼底照和光学相干断层扫描（OCT）图像，采用双EfficientNet-B0主干网络分别提取特征后拼接，再通过共享全连接层实现多任务学习。研究在425对（共850张）配对图像组成的私有数据集上训练并验证。
深度学习自动识别糖尿病黄斑水肿亚型
研究团队基于3120张来自823只眼的OCT图像，构建了DME-Seg数据集，并用YOLO11x-Seg模型进行微调。该模型在病灶检测中mAP50达0.82，在像素级分割中mAP50为0.84，Dice系数分别为0.82和0.79，且在四种不同品牌OCT设备图像上表现出跨设备泛化能力。