基于深度学习的OCT数据预测青光眼视野平均偏差
摘要
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。
信息来源： PubMed Ophthalmology 发布于 2026年2月25日
要点速览
- 研究评估了OCT数据通过深度学习预测HFA 30-2 MD值的可行性
- InceptionV3模型在回归和分类任务中表现最佳，平均绝对误差为3.36 dB
- 研究开发了准确且可解释的DL系统，用于预测HFA 30-2 MD值
本站解读
这项研究揭示了深度学习技术在眼科领域的巨大潜力，特别是在青光眼的诊断上。通过直接利用OCT数据预测HFA MD值，不仅提高了诊断的准确性，还简化了临床流程。这标志着技术路线的重大变迁，从传统的依赖单一设备到多模态数据融合的智能诊断系统。InceptionV3模型的表现尤为突出，其在回归和分类任务中的优异性能表明，深度学习在处理复杂医学图像数据方面具有显著优势。
这一技术进步对行业竞争格局产生了深远影响。传统的眼科设备制造商需要重新审视其产品线，以适应新的技术趋势。同时，新兴的人工智能公司有望凭借其在算法和数据处理方面的专长，迅速崛起并占据市场一席之地。国内外的研发管线也在加速推进，多家企业纷纷布局AI辅助诊断领域。未来，随着更多高质量数据的积累和算法的不断优化，这种基于深度学习的诊断方法将更加成熟，成为眼科诊疗的重要工具。
后续需要密切留意的是，如何确保这些AI系统的可靠性和安全性，以及如何在实际临床应用中推广这些技术。此外，监管政策的变化也将对这一领域的未来发展产生重要影响。总之，这项研究不仅是技术上的突破，更是眼科行业迈向智能化的重要一步。
常见问题
这个研究对青光眼患者有什么帮助？
这项研究通过深度学习技术，利用OCT数据预测HFA MD值，可以提高青光眼的诊断准确性，有助于早期发现和治疗。如有疑虑可咨询眼科医生。
哪些人适合进行这种检查？
这项技术适用于需要进行青光眼筛查和监测的患者。特别是那些已经接受过OCT检查的患者，可以通过这种方法更准确地评估视野损失情况。如有疑虑可咨询眼科医生。
延伸阅读
深度学习预测视网膜神经纤维层变薄与青光眼发病风险
该研究基于加拿大老龄化纵向研究，通过机器对机器（M2M）模型分析了18,247名参与者（30,202只眼睛）的基线和随访数据，评估了视网膜神经纤维层（RNFL）厚度变化及其与青光眼发病的关系。结果显示，青光眼患者的眼睛RNFL变薄速度显著快于非青光眼患者（-0.46 ± 2.28 μm/年 vs -0.18 ± 2.07 μm/年；P < 0.001）。多变量分析表明，年龄较大、基线眼内压较高、角膜滞后较低以及基线RNFL较厚均与更快的RNFL变薄相关。在无基线疾病的17,552名参与者中，有344人（1.9%）发展为青光眼。预测的RNFL变薄速度与青光眼发病独立相关（HR = 1.125 per 1 μm/year increase, 95% CI 1.070-1.183, P < 0.001）。这些发现突显了基于眼底照片的深度学习模型在青光眼风险分层中的潜力。
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。
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%。