全部资讯

PubMed Ophthalmology #97/864

多光谱图像相位分析与机器学习在视网膜健康评估中的应用

该研究探讨了多光谱图像相位分析结合机器学习方法在区分健康和病变视网膜方面的有效性。结果表明，多光谱图像的相位分析在分类性能上优于平均反射值，是一种有效的降维技术，能够提取关键特征。第一谐波与Z-score标准化结合时效果最佳。为了比较多光谱图像与传统彩色眼底相机的效果，研究者从多光谱图像中提取红、绿、蓝三个光谱带并合成RGB样图像进行相同分析。结果显示，多光谱图像的相位分析比RGB样图像的相位分析提供了更准确的分类结果。不同感兴趣区域的分析显示，使用整个视网膜进行分类性能最佳，可能是因为疾病进展到影响整个眼底。这些发现表明，多光谱图像相位分析与机器学习是视网膜疾病分类的强大工具。

#多光谱成像#视网膜疾病#机器学习

PubMed Ophthalmology #98/864

OCT与OCTA在脉络膜血管指数测量中的重复性与一致性

该研究旨在评估不同扫频源光学相干断层扫描（OCT）设备以及OCT与OCT血管成像（OCTA）之间在测量脉络膜血管指数（CVI）时的重复性、再现性和一致性。研究使用了VG200I和Topcon DRI OCT Triton两种设备，对68只眼进行了三次图像采集，并通过内置软件和自定义算法分别计算CVI-OCTA和CVI-OCT。结果显示，两种OCT设备在测量CVI-OCTA和CVI-OCT时均表现出高重复性和再现性，但设备间的一致性在CVI-OCTA上较差。此外，同一设备内两种分析方法的一致性也较差。这些结果表明，尽管OCT设备在测量CVI时具有良好的稳定性，但在不同设备和不同分析方法之间的一致性仍需进一步改进。

#OCT#OCTA#脉络膜血管指数 +2

PubMed Ophthalmology #99/864

OpthaNet：高精度多类眼科图像分类的注意力集成架构

本研究探讨了预训练深度学习模型在多类眼病（白内障、糖尿病视网膜病变和青光眼）的视网膜图像分类中的有效性。尽管卷积神经网络（CNN）和基于Transformer的模型在眼科诊断中已广泛探索，但直接比较分析仍有限。此外，高性能系统通常依赖于重型骨干网络、集成或大规模领域预训练，这在资源受限的筛查流程中可能不切实际。研究评估了三种模型：EfficientNetB3、MobileNetV2和视觉Transformer，并进行了定制修改。通过引入注意力增强特征精炼模块和OpthaHead自定义分类器，优化了EfficientNetB3和MobileNetV2；META定制优化了视觉Transformer。该设计针对眼科迁移学习中的两个实际瓶颈：对细微病变和结构区域的选择性不足，以及在有限训练数据下最终决策层的过拟合或不稳定性。优化后的EfficientNetB3相比基线提高了10.84%，准确率达到96.04%；MobileNetV2提高了11.26%，平衡了准确性和计算效率。META定制使视觉Transformer性能提升了超过18%，表明减少模型复杂度有助于在有限医疗数据上的表现。研究表明，AI驱动的眼病分类具有强大性能，并突显了AI工具在早期检测和改善临床决策及患者结果方面的潜力。

#AI眼科诊断#深度学习#眼病分类

PubMed Ophthalmology #100/864

OCT与OCTA在AMD研究中的进展：深度分析

该研究通过文献计量分析，探讨了2015年至2024年间光学相干断层扫描（OCT）和光学相干断层扫描血管成像（OCTA）在年龄相关性黄斑变性（AMD）领域的研究热点、新兴趋势和技术创新。研究发现，美国和中国是该领域的主要贡献者，其中美国在出版物数量和H指数上领先。加州大学系统在机构中表现最为突出。研究还表明，OCT和OCTA技术的结合，特别是与人工智能的整合，能够实现更早的病变检测、更精细的表型分类以及数据驱动的个性化管理。这些进步将显著提高AMD的诊断准确性和治疗决策。

#OCT#OCTA#AMD +2

PubMed Ophthalmology #101/864

零样本学习在眼科疾病检测中的突破

深度学习在医学图像分析中面临的主要瓶颈之一是需要大规模、专家标注的数据集。特别是在眼科领域，早期疾病的检测如轻度糖尿病视网膜病变（DR1）由于病灶细微且标注数据稀缺，使得监督学习方法受限。本研究提出了一种基于零样本学习（ZSL）的通用眼病检测框架，该框架模仿临床推理过程。通过使用LCFP-14M这一大规模眼底图像资源，该方法首先利用Siamese网络识别疾病相关性，然后从高度相关的源疾病中分割出DR1特异性病灶，并采用ResNet-Agglomerative聚类管道实现无监督的DR1检测。结果显示，该模型在未使用任何标注的DR1数据的情况下，实现了0.8337的准确率、0.8700的精确率、0.7456的召回率、0.8030的F1分数和0.9226的ROC-AUC值，优于大多数外部测试数据集上的监督基线。这些发现表明，ZSL可以模拟临床诊断逻辑，并推广到未见过的眼病，为标注数据稀缺情况下的自动化筛查提供了一种有前景的方法。

#零样本学习#眼科AI#糖尿病视网膜病变

PubMed Ophthalmology #102/864

环境丰富化：针对神经退行性疾病和视网膜营养不良的线粒体靶向系统策略

线粒体功能障碍是导致中枢神经系统和视网膜退行性病变的关键因素，表现为能量代谢受损、氧化应激及细胞韧性缺陷。环境丰富化（EE）作为一种多模式非药物干预手段，在临床前模型中显示出强大的脑和视网膜可塑性调节作用，通过促进适应性反应支持线粒体功能和神经营养信号传导。本文综述了EE在多种神经退行性疾病和视网膜营养不良模型中的影响，包括线粒体质量控制、氧化还原平衡、突触韧性和神经免疫平衡。尽管这些效应在不同系统中存在共通下游途径，但疾病、细胞类型和具体情境的差异使得机制推广需谨慎。目前人类研究仍有限且异质性高，主要关注功能性结果而非直接生物学终点，导致效果大小不一。因此，EE被定位为一种系统级、疾病修饰的背景，可能增强内源性保护能力，并与药物、基因或康复干预互补，有待疾病特异性验证。未来研究将探讨数字化和AI支持的EE启发方法，其生物学相关性依赖于整合功能性结果与验证分子和代谢生物标志物的研究。

#环境丰富化#线粒体功能#视网膜营养不良

PubMed Ophthalmology #103/864

视网膜下出血管理现状综述

视网膜下出血（SRH）常见于新生血管性年龄相关性黄斑变性（nAMD），通过机械、毒性和炎症机制导致严重的视力丧失。目前，视网膜下出血的管理缺乏共识。抗血管内皮生长因子（anti-VEGF）治疗仍是核心手段，尤其在小到中等出血量时效果与手术相当。气动移位（PD）联合或不联合重组组织型纤溶酶原激活剂（rtPA）在较大范围的出血中显示出最大比较优势。辅助使用rtPA可提高出血移位率，且荟萃分析支持其与anti-VEGF联合使用的有效性。玻璃体切割术（PPV）仍适用于大范围或难治性出血，但并未始终表现出优于侵入性较小方法的视觉效果。早期干预与改善预后密切相关，但尚无普遍接受的治疗算法。正在进行的随机试验和多模式成像技术的进步有望优化患者选择和治疗策略。未来应致力于平衡疗效、安全性和成本效益，以建立基于证据的视网膜下出血管理指南。

#视网膜下出血#抗血管内皮生长因子#气动移位

PubMed Ophthalmology #104/864

角膜神经评估新技术：干眼症与眼表疾病的诊断突破

最新研究表明，角膜神经在干眼症（DED）及其他相关眼表疾病（OSDs）的病理生理过程中起着关键作用。这些疾病越来越多地表现出神经病变和营养不良成分，其中角膜神经形态和功能的改变对症状和疾病进展有重要影响。近年来，成像和诊断技术的进步使得能够详细、活体评估角膜神经结构和感觉功能，为理解其机制和治疗反应提供了新的见解。本文综述了当前和新兴的角膜神经评估技术，包括结构方法如活体共聚焦显微镜（IVCM）、光学相干断层扫描（OCT）-基于的神经成像（如微OCT）及多光子显微镜等；以及功能方法如高级触觉计、定量感觉测试（QST）和功能性磁共振成像（fMRI）。此外，人工智能驱动的分析平台也应用于结构和功能评估。这些技术有助于区分DED亚型、选择靶向治疗、监测神经再生并预测治疗结果。通过整合结构和功能评估，这些技术正在重塑DED和其他相关OSDs的诊断、分型和管理，为个性化治疗铺平道路。

#角膜神经#干眼症#眼表疾病 +2

PubMed Ophthalmology #105/864

高分辨率视网膜超光谱成像系统开发与验证

该研究旨在开发一种高分辨率的视网膜超光谱成像（HSI）系统，以实现对阿尔茨海默病、糖尿病视网膜病变和黄斑变性等疾病的早期检测。通过结合快照超光谱相机、高分辨率RGB相机、分束器和内窥镜成像系统，研究人员能够同时提取视网膜血管直径和氧合率。实验结果表明，该系统在视网膜模型中表现出良好的空间分辨率和光谱保真度，为临床应用提供了新的可能性。

#视网膜成像#超光谱成像#眼科诊断

PubMed Ophthalmology #106/864

方向性OCT技术在临床中的应用探索

方向性光学相干断层扫描（OCT）能够提供不受亨勒纤维层干扰的真实外核层（ONL）测量。本研究旨在通过不同的图像采集和分析方法，开发一种适用于临床的工具。研究使用Spectralis OCT2设备对12名参与者进行了OCT成像，并通过操作者改变OCT光束角度或参与者调整注视点来获取方向性OCT图像。结果显示，自动分割算法返回的ONL厚度较厚，而经过修正后的分割边界与手动分割结果相似。不同方法获得的ONL厚度具有良好的重复性。该研究表明，方向性OCT可以通过操作者改变设备角度或患者调整注视点来实现，且修正后的ONL分割能提供与手动分割相似的结果，同时更加高效。这些方法在临床环境中具有较高的可实施性和可靠性。

#方向性OCT#视网膜成像#眼科诊断

PubMed Ophthalmology #107/864

OCT与机器学习在儿童神经纤维瘤病1型视力异常检测中的应用

神经纤维瘤病1型（NF-1）是一种遗传性疾病，常导致儿童视力丧失。光学相干断层扫描（OCT）提供非侵入性、高分辨率的视网膜和视神经结构成像，但将其数据转化为临床预测工具仍具挑战。本研究通过回顾性纵向队列分析了168名3至19岁NF-1患儿的515次OCT测量结果，评估了多种机器学习模型识别当前视力异常的能力。结果显示，平衡随机森林模型表现最佳（AUC=0.82；敏感性=0.66）。视网膜神经纤维层（RNFL）和神经节细胞层（GCL+）变薄是视力异常最强的预测因子。基于总黄斑和神经层厚度的数据驱动截断值提供了明确的临床解释阈值，而累积“k-out-of-n”分析表明，结合多个OCT异常可增强风险分层。这些发现突显了可解释机器学习将OCT数据转化为可解释且具有临床操作性的工具的潜力，用于早期检测和管理NF-1患儿的视力异常。

#OCT#机器学习#NF-1 +1

PubMed Ophthalmology #108/864

联邦学习与大语言模型在眼科临床实体识别中的比较研究

临床命名实体识别（NER）是提取临床文本中结构化数据的关键技术，但跨机构的模型泛化能力一直是个难题。本研究对比了两种方法：联邦学习（FL）和大语言模型（LLM）。通过在斯坦福大学（美国）和莫菲尔德眼科医院（英国）的眼科记录中提取视力数据，使用基于BERT的模型、FL策略（FedAvg, STWT）和LLM（Llama-3-70B, Mixtral-8x7B）进行评估。结果显示，联邦学习显著提高了模型的泛化能力，其中STWT在稳定性和准确性上优于FedAvg。而大语言模型在莫菲尔德数据上表现优异，但在结构化的斯坦福数据上表现不佳。这些发现突显了联邦学习在跨机构学习中的有效性，同时也揭示了大语言模型在特定领域内的局限性。

#联邦学习#大语言模型#眼科临床实体识别