深度学习在OCT诊断玻璃体视网膜淋巴瘤与非感染性葡萄膜炎中的应用
摘要
本研究旨在开发并验证一种可解释的深度学习模型，用于区分光学相干断层扫描（OCT）图像中的玻璃体视网膜淋巴瘤（VRL）和非感染性葡萄膜炎（NIU）。研究纳入45名VRL患者和52名NIU患者的SPECTRALIS OCT图像，通过自定义设计的深度卷积神经网络分类模型结合梯度加权类激活映射（Grad-CAM）进行分析。该模型在眼部水平上能够有效区分VRL和NIU，AUROC为76.0 ± 8.0，AUPRC为79.4 ± 10.4，准确率为75.4 ± 13.3。Grad-CAM热图显示，VRL特征包括前视网膜沉积物和视网膜色素上皮变化，而NIU特征则包括更密集的玻璃体细胞和混浊、视网膜前膜、视网膜内细胞以及符合NIU病理生理学的脉络膜和巩膜异常。该方法有望作为非侵入性的分诊工具，识别需要进一步确认性手术的患者。
信息来源： PubMed Ophthalmology 发布于 2026年2月2日
要点速览
- 研究开发了一种可解释的深度学习模型，用于区分OCT图像中的VRL和NIU。
- 模型在眼部水平上的AUROC为76.0 ± 8.0，AUPRC为79.4 ± 10.4，准确率为75.4 ± 13.3。
- Grad-CAM热图显示了VRL和NIU的特异性OCT特征，有助于非侵入性分诊。
本站解读
这项研究揭示了深度学习技术在眼科疾病诊断中的巨大潜力，特别是在区分玻璃体视网膜淋巴瘤和非感染性葡萄膜炎方面。随着人工智能技术的发展，传统的诊断方法正在被重新审视。这种基于OCT图像的深度学习模型不仅提高了诊断的准确性，还提供了可解释的可视化结果，使得医生能够更好地理解疾病的特征。从行业角度来看，这标志着技术路线的重大变迁，未来可能会有更多的医疗机构和企业投入到这一领域的研发中。
国内外的研发管线也在加速推进，尤其是在中国，许多科技公司和医疗设备制造商已经开始布局AI辅助诊断领域。然而，这也意味着竞争将更加激烈，护城河的构建将成为关键。对于国内企业而言，如何在技术上保持领先，并且在临床应用中获得广泛认可，将是未来发展的重点。此外，随着更多数据的积累和技术的成熟，这类模型的性能将进一步提升，有望成为眼科诊疗的重要工具。
后续需要密切留意的是，这些技术在实际临床应用中的表现，以及监管机构对AI辅助诊断的态度。同时，随着技术的进步，如何确保数据的安全性和隐私保护也将成为重要议题。总之，这项研究不仅展示了深度学习在眼科诊断中的巨大潜力，也为未来的行业发展指明了方向。
常见问题
这个研究对患者有什么好处？
这项研究开发的深度学习模型可以更准确地诊断玻璃体视网膜淋巴瘤和非感染性葡萄膜炎，减少了误诊的风险。如有疑虑可咨询眼科医生。
这种技术什么时候能在医院用上？
目前这项技术还在研究阶段，具体何时能应用于临床还需等待进一步的验证和监管批准。如有疑虑可咨询眼科医生。
延伸阅读
轻量级视网膜血管分割网络LCNet：高效精准的临床辅助诊断工具
视网膜血管分割技术在计算机辅助临床诊断中至关重要。尽管深度学习技术显著提升了分割精度，但现有方法在处理细小和模糊边界时仍存在局限性，且多数主流模型依赖复杂的编码器，导致参数量大、资源需求高。为此，研究者提出了一种轻量级U形网络LCNet，通过深度可分离卷积减少参数和计算成本，并引入协同坐标注意力模块以增强特征学习。此外，LCNet还利用空洞空间金字塔池化模块捕捉多尺度特征，并通过四个侧输出层提供额外监督。实验结果显示，LCNet在DRIVE、STARE、CHASEDB1和IOSTAR四个经典数据集上分别达到了96.02%、97.95%、97.95%和97.77%的全局准确率，仅需2.65 M参数和21.2 GFLOPs。该模型在病变眼底图像和光学相干断层扫描血管成像中的表现同样出色，证明了其在视网膜血管分割中的高效性和准确性。
深度学习算法在糖尿病视网膜病变中的非灌注区自动量化
该研究旨在评估一种定制的深度学习算法在超广角扫频源OCT血管成像（UWF SS-OCTA）中对非灌注区（NPA）进行自动分割的性能及其在糖尿病视网膜病变（DR）严重程度评估中的应用。研究采用横断面设计，纳入180只眼，涵盖所有DR严重程度等级。研究人员开发了一种基于多尺度U-Net骨干网络并结合挤压和激励注意力机制的卷积神经网络，用于从三种扫描模式（6 × 6 mm、12 × 12 mm 和 29 × 24 mm）的全视网膜层图像中分割NPA。通过两名独立评分者和一名玻璃体视网膜专家生成的金标准标注，以及结构OCT图像来区分真实NPA与阴影伪影。结果显示，该算法在不同扫描尺寸下均表现出高精度（F1分数分别为0.82 ± 0.01、0.84 ± 0.03 和 0.83 ± 0.02），且无显著差异。Bland-Altman分析表明，人类标记和算法预测的非灌注指数（NPI）之间具有高度一致性。结论是，该深度学习算法在单次扫描UWF SS-OCTA中实现了高精度和可扩展性，支持其作为客观DR OCTA生物标志物分析工具的潜力。
深度学习算法在视网膜自荧光图像中精准测量地理萎缩进展
该研究开发了一种基于DeepLabV3+的深度学习算法，通过同时分析纵向获取的视网膜自荧光（FAF）图像对，实现了对地理萎缩（GA）区域的自动标注和生长率的精确测量。研究利用了AREDS2和METforMIN两项独立前瞻性临床试验的数据，共涉及174名AREDS2参与者和44名METforMIN参与者。结果显示，与手动专家标注相比，该算法在精度、召回率和Dice系数方面均有显著提升，并且在保持纵向一致性方面表现优异。这些改进对于减少测量变异性、有效评估临床试验结果具有重要意义。