AI可基于初诊OCT预测糖尿病黄斑水肿一年疗效
摘要
研究团队用深度学习模型分析87只初治糖尿病黄斑水肿（DMO）眼的基线OCT图像，预测其12个月后的视力变化（BCVA）和中心视网膜厚度（CST）变化。结果显示，经图像标准化预处理后，模型对BCVA变化的预测R²达0.661，对CST变化的预测R²达0.633；区分治疗应答者的AUC分别提升至0.71（视力）和0.97（结构）。外层视网膜和视网膜色素上皮是关键预测区域。
信息来源： Nature - Eye Research 发布于 2026年10月7日
要点速览
- 研究基于87只初治糖尿病黄斑水肿眼的基线OCT图像，训练深度学习模型预测12个月BCVA与CST变化。
- 采用图像同质化预处理（homogenisation），将OCT数据统一至公共参考坐标系，显著提升模型预测性能。
- 模型对CST应答的分类AUC达0.97，提示结构变化比视力变化更易被AI识别；关键预测区域集中于外层视网膜和RPE。
本站解读
这项研究说明：仅凭患者打针前的一次OCT扫描，AI就能较可靠地预判一年后视力能提高多少、水肿能消退多少——比如BCVA平均从0.40 logMAR改善到0.33 logMAR，CST从390.2 μm降至342.2 μm。模型在87只眼的小样本上表现不俗，但属于回顾性单中心研究，未设外部验证队列，离真实临床部署还有距离。
它暂时不会改变医生当前的治疗决策流程。目前抗VEGF治疗仍依赖定期复查和经验性调整，而该模型尚未集成进OCT设备或电子病历系统，也未通过监管审批。真正落地需至少两项独立多中心前瞻性验证，并证明其指导个体化用药方案（如注射频次、药物选择）确实优于常规管理。
普通人无需因此改变任何行为。这不是一项筛查工具，也不提供即时诊断或干预建议。如有疑虑可咨询眼科医生。国内情况有待确认。
常见问题
AI看一眼我的OCT图，真能算出我打针一年后视力能好多少吗？
目前还不能用于个人预测。这项研究在87只眼上验证了AI模型有中等预测能力（BCVA变化R²=0.661），但属于实验室阶段成果，未在真实诊疗中应用。它需要更多医院、更大样本的重复验证，且必须通过医疗器械监管审批才能临床使用。如有疑虑可咨询眼科医生。
以后打针前是不是得先让AI‘算命’一下？
短期内不会。该模型尚未整合进临床工作流，也不具备实时分析、报告生成或决策支持功能。医生仍依据OCT图像人工评估、结合视力检查和病史制定方案。AI预测若未来成熟，可能辅助分层管理——比如识别出大概率无应答者，提前考虑联合治疗，但目前仅为研究概念。
延伸阅读
AI-OCT系统可大幅减少糖尿病黄斑水肿误转诊
研究在香港开展，先通过603名糖尿病患者进行前瞻性静默验证，再在276名疑似糖尿病黄斑水肿（DME）患者中开展非劣效性随机对照试验。AI-OCT系统结合图像质量评估、DME检测与不确定性标记功能，在干预组中将DME误转诊率从69.1%降至24.1%，绝对下降45%，且敏感性保持100%。
空间感知神经符号AI用于OCT图像视网膜病分类
研究开发了一种融合CNN、视网膜层分割图与专家规则的神经符号AI模型，用于对OCT图像进行多标签视网膜疾病分类。模型在10类疾病（含干/湿性AMD、糖尿病视网膜病变等）上测试，微平均精确率0.91、召回率0.81、F1分数0.86，AUC达0.98；对402张未纳入训练的病理图像，未错误判为‘正常’。
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。