用眼底照片估算脉络膜肿瘤厚度的新方法
摘要
研究团队开发了一种受人类双眼立体视觉启发的深度学习模型，利用超广角眼底照相的红、绿通道光谱差异来预测脉络膜肿瘤厚度。该模型在337例患者数据上训练和验证，以超声测量值为金标准，结果显示均方根误差为1.07毫米，决定系数R²达0.85。基于厚度的风险分层准确率达90.5%，敏感性和特异性分别为87.7%和92.9%。
信息来源： PubMed Ophthalmology 发布于 2026年9月1日
要点速览
- 研究在337例脉络膜肿瘤患者中验证了基于眼底照片的AI厚度预测模型，R²达0.85，RMSE为1.07 mm。
- 模型通过独立提取红、绿通道特征，并引入光谱差异模块（SDM）模拟双目深度感知机制。
- 厚度风险分层准确率为90.5%，敏感性87.7%，特异性92.9%，符合COMS标准。
本站解读
这项研究证明，仅靠常规眼底照片就能较准确地估算脉络膜肿瘤厚度——不是靠医生肉眼判断，而是让AI从红、绿两个颜色通道的细微差异中‘看出’深度，原理类似人用两只眼睛感知远近。样本量337例在同类眼科AI研究中属中等偏上，但全部来自单中心、未提是否多地域验证，临床泛化能力尚待观察。
短期内难直接改变临床流程：超声仍是厚度金标准，而该模型目前定位是筛查与分诊辅助工具，比如帮助基层医生快速识别高风险患者。它不替代诊断，也不减少后续检查，但可能缩短高危患者转诊等待时间。
普通人无需因此改变日常行为，也不必专门去拍更多眼底照。已有定期随访的脉络膜肿瘤患者，可继续按原计划复查；如有疑虑可咨询眼科医生。国内情况有待确认。
常见问题
只拍个眼底照，真能知道肿瘤有多厚吗？
目前这个AI模型能在研究条件下较准确估算厚度，均方根误差1.07毫米，但它的结果不能替代超声检查。眼底照本身是常规无创检查，模型只是新增了一种分析方式，实际临床仍需超声确认。如有疑虑可咨询眼科医生。
这技术以后能不能帮我们早点发现危险的肿瘤？
是的，研究明确提到该方法支持‘可扩展的筛查与分诊’，意味着未来可能用于基层或体检场景，快速识别厚度超标、需优先转诊的高风险患者。但它不改变最终诊断路径，确诊和治疗决策仍依赖专业评估。
延伸阅读
AI自动分析眼底照片预测儿童眼轴增长
这项前瞻性队列研究纳入556名学龄儿童，通过彩色眼底照相（CFP）和AI平台自动提取视网膜参数，结合基线及随访的眼轴长度（AL）测量，分析其与1年内AL进展（以年增长0.2 mm为界）的关联。结果显示，乳头周围静脉曲率越大，AL进展可能性越低（OR=0.79，95% CI 0.66–0.95），该关联在多种敏感性分析中保持稳健。
深度学习从眼底照预测RNFL厚度并生成青光眼诊断似然比
研究开发了一种深度学习算法，通过普通眼底彩色照片预测视网膜神经纤维层（RNFL）厚度，并将连续预测值转化为青光眼诊断的似然比。研究纳入232名青光眼性视神经病变患者和127名健康对照者，采用横断面设计。结果显示，算法预测的RNFL厚度在青光眼组显著更低（71.3±10.6 μm vs. 95.5±7.2 μm），AUC表现良好，支持个体化概率化诊断。
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’。