深度学习同步分割眼底自发荧光图像中的地图样萎缩
摘要
该研究开发了一种基于DeepLabV3+的深度学习算法，通过同时分析配对的纵向眼底自发荧光（FAF）图像，自动区分已存在与新扩展的地图样萎缩（GA）区域。研究使用AREDS2（830张图像，174名参与者）和METforMIN（273张图像，44名参与者）两项临床试验数据进行回溯分析，以专家手动标注为金标准，评估算法在像素重叠率（精确率、召回率、Dice系数）、GA面积及生长速率测量上的准确性。结果表明，同步分割法比单图分割更准确、更稳定。
信息来源： PubMed Ophthalmology 发布于 2026年4月1日
要点速览
- 研究基于AREDS2（830张图像、174人）和METforMIN（273张图像、44人）两项临床试验数据，开发同步分割GA的深度学习模型。
- 采用DeepLabV3+架构，通过同时分析配对的纵向FAF图像，区分已存在与新扩展的GA区域。
- 以专家手动标注为金标准，验证算法在像素重叠（Dice等）、GA面积及生长速率测量上的准确性提升。
本站解读
这项研究的核心突破在于：不是让AI一张一张地‘看图识病’，而是让它‘对比着看’——把同一患者不同时期的两张FAF图像放在一起，自动标出哪些是老病灶、哪些是新长出来的。这种设计直击GA临床试验的痛点：病灶进展慢、边界模糊、单次图像判读误差大。用830张AREDS2图像和273张METforMIN图像验证，说明数据来源扎实；但样本来自两项已完成的前瞻性试验，属于回顾性分析，不能直接证明算法在真实世界实时应用中的稳定性。
短期内它不会改变医生给患者做检查的方式，但会显著提升药物临床试验中GA生长速率的测量精度——这对评估新药是否真正延缓病情至关重要。FDA等监管机构已开始接受AI辅助的影像终点，这类工具正从论文走向审评实操。国内情况有待确认。
普通人无需因此改变日常用眼习惯或就诊节奏。这是一项后台技术升级，不涉及筛查建议、用药调整或生活方式干预。如有疑虑可咨询眼科医生。
常见问题
这个AI能帮我早点发现地图样萎缩吗？
不能。该算法专为临床试验设计，用于精准测量已确诊患者的GA进展速度，不是筛查工具，也不用于初诊。它不改变现有检查流程，也不会提前预警疾病发生。地图样萎缩目前仍需由眼科医生结合眼底照相、FAF等检查综合判断。如有疑虑可咨询眼科医生。
以后吃药效果是不是能看得更准了？
是的。该算法能更稳定地量化GA面积变化，减少人为判读误差，从而提高临床试验中对药物延缓病情效果的评估精度。这意味着未来针对地图样萎缩的新药研发可能更快获得可靠数据支持，但具体到个人用药决策，仍需等待药物获批和医生综合判断。
延伸阅读
AI增强OCT可准确量化冠状动脉斑块负荷
研究团队开发了一种深度学习算法，用于全自动分析光学相干断层扫描（OCT）图像，以量化冠状动脉斑块负荷（PB）和血管尺寸。研究使用10例尸检人的心脏，对29支主要冠状动脉进行OCT和血管内超声（IVUS）成像，并与组织病理学金标准对比。共获得852个匹配的横截面数据，结果显示AI-OCT与病理结果的相关性不劣于IVUS，且无统计学显著差异。
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。
AI眼病诊断研究临床转化率低
这项系统综述分析了2020年至2025年8月间发表的43篇基于眼底照和OCT图像的深度学习眼病诊断研究，发现虽有超95%的模型宣称高准确率，但仅14.3%完成真正临床验证，23.1%未公开代码或实现细节。研究提出‘转化准备度框架’，整合技术透明度、验证严谨性与性能报告，为眼科AI落地提供评估标准。