基于OCT和深度学习的糖尿病周围神经病变早期诊断
摘要
研究开发了一种非侵入性的糖尿病周围神经病变（DPN）诊断工具，利用多模态光学相干断层扫描（OCT）图像和多头注意力机制的深度学习算法。该模型在3264张OCT图像上进行训练和验证，结果显示其在五折交叉验证中的平均AUC为0.719，在时间验证数据集中的AUC为0.721。无血管层提供了最高的预测价值，表明这种非侵入性方法具有临床应用潜力。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- 研究开发了一种基于OCT和多头注意力机制的深度学习模型，用于早期诊断糖尿病周围神经病变。
- 模型在五折交叉验证中的平均AUC为0.719，在时间验证数据集中的AUC为0.721。
- 无血管层提供了最高的预测价值，表明这种非侵入性方法具有临床应用潜力。
本站解读
这项研究揭示了眼科技术路线的一个重要变迁：从传统的侵入性和主观性强的诊断方法转向基于人工智能的非侵入性诊断工具。这一转变不仅提高了诊断的准确性和可靠性，还显著降低了患者的不适感。在中国眼科行业，这可能意味着未来更多的医院和诊所将采用类似的AI辅助诊断系统，从而提升整体诊疗水平。
然而，这种技术进步也带来了新的竞争格局。国内外多家企业都在积极布局OCT和AI结合的研发管线，如蔡司、海德堡等国际大厂以及国内的一些创新公司。这些企业在技术上的不断突破和市场竞争的加剧，可能会导致护城河的重新构建。对于中国患者而言，这意味着他们将有更多的选择，但也需要关注不同产品的实际效果和成本。
目前，国外的研究进展较快，但国内也有不少团队在积极推进相关技术的研发。例如，一些国内高校和研究机构已经在OCT图像处理和深度学习算法方面取得了显著成果。随着这些技术的逐步成熟，预计未来几年内会有更多产品进入市场，进一步推动行业的快速发展。
后续需要密切留意的是，这些新技术在临床应用中的实际表现，特别是在大规模人群中的验证结果。此外，监管政策的变化也将对这些技术的推广产生重要影响。因此，无论是从业者还是患者，都应持续关注这一领域的最新动态。
常见问题
这个新方法能替代现有的糖尿病周围神经病变诊断方法吗？
这项研究展示了一种有潜力的非侵入性诊断方法，但还需要进一步的大规模临床验证。如有疑虑可咨询眼科医生。
这种技术什么时候能在医院里普及使用？
目前这项技术还在研究阶段，具体普及时间取决于临床验证的结果和监管审批的速度。如有疑虑可咨询眼科医生。
延伸阅读
基于深度学习的OCT重建技术提升视网膜成像速度与对比度
光谱域光学相干断层扫描（SD-OCT）在眼科临床中广泛应用，但其成像速度和灵敏度受限。本研究提出一种基于深度学习的方法，通过改进的U-Net架构来增强SD-OCT系统的成像速度和灵敏度。该方法采用视觉状态空间模型，从高速采集的数据中合成高信噪比（SNR）的OCT和OCTA图像，从而绕过硬件限制。实验结果表明，该方法在高SNR OCT/OCTA重建中表现出色，提高了视网膜各层之间的对比度，并清晰地描绘了层边界。微血管和脉络膜等细小结构也得到了成功恢复。这一技术为实现高速成像和高灵敏度提供了新的途径。
基于深度学习的OCT数据预测青光眼视野平均偏差
该研究旨在评估数值光学相干断层扫描（OCT）数据能否通过深度学习（DL）预测Humphrey视野分析仪（HFA）30-2视野平均偏差（MD）。回顾性分析了1200只眼睛（432只青光眼和768只正常眼睛），这些眼睛在同一天进行了频域OCT（12×9.0-mm高密度扫描）和HFA 30-2测试。像素级视网膜厚度数值直接从OCT导出并输入八个深度学习模型，包括五个卷积神经网络（ResNet50、VGG16、InceptionV3、EfficientNetB0和DenseNet121）和三个视觉变换器（ViT、DeiT和BEiT）。研究进行了两个任务：回归任务预测连续HFA MD值，分类任务区分预定义MD阈值下的视野恶化。对于回归任务，使用标准回归指标评估模型性能，并通过Bland-Altman分析评估预测与测量MD值的一致性。对于分类任务，使用基于阈值的判别指标评估模型性能。所有模型中，InceptionV3表现最佳，平均绝对误差为3.36 dB，决定系数为0.53。在临床相关MD阈值的分类分析中，基于CNN的模型在早期、中期和严重视野损失中表现出高判别性能。该研究开发了一种准确且可解释的DL系统，直接利用原始OCT厚度数据预测HFA 30-2 MD值，可能增强青光眼的诊断。
新型深度学习网络提升OCT视网膜疾病检测
糖尿病黄斑水肿、老年性黄斑变性和视网膜静脉阻塞等眼疾需要及时准确的诊断。光学相干断层扫描（OCT）是重要的诊断工具，但其图像解读复杂。为此，研究人员开发了AMDF-Net，一种结合多种先进模块的深度学习架构，能够更精准地识别和定位视网膜病变。实验结果显示，该网络在公开数据集上的Dice系数达到98.87%，分类准确率为98.12%。