综述：利用非侵入性视网膜影像和人工智能检测及管理由年龄相关性黄斑变性引起的地理性萎缩：系统评价

AI在干性年龄相关性黄斑变性地理萎缩中的检测、评估与预测研究综述，系统分析了2018-2025年间41项研究。结果显示，深度学习算法（如U-Net、ResNet等）在OCT、FAF、CFP等非侵入性成像中表现出高诊断准确率（敏感度0.69-1.00，特异度0.54-1.00），部分模型性能超越临床专家。研究涵盖GA检测（10项）、评估与进展预测（20项）及 lesion面积预测（11项），涉及7132名50-85岁患者，覆盖美、中、欧等9个国家。但存在数据多样性不足、外部验证缺失及标注标准不统一等局限性，需开展多中心前瞻性研究以提升临床适用性。

　　
### 地理萎缩（GA）的人工智能管理：系统综述与临床应用前景

#### 背景与研究意义
地理萎缩是干性年龄相关性黄斑变性（AMD）终末阶段的核心特征，表现为视网膜色素上皮（RPE）和光感受器的不可逆丢失。尽管2023年FDA批准了两种补体抑制剂（如Syfovre和avacincaptad），但早期检测与动态监测仍依赖传统临床评估，存在效率低、主观性强等瓶颈。本研究通过系统综述非侵入性视网膜成像技术中人工智能（AI）的应用，旨在整合现有证据，为GA的自动化管理提供循证依据。

#### 研究方法与数据来源
研究团队通过多数据库（PubMed、Embase等）的两次迭代检索（截至2025年10月），纳入41项研究，涵盖10项GA检测、20项进展评估及11项预测任务。数据采集覆盖全球多个地区（美国、中国、欧洲等），总计超过2.4万名参与者，年龄跨度50-94岁。影像技术包括：
- **光学相干断层扫描（OCT）**：SD-OCT（ spectral domain）、SS-OCT（swept-source）、3D-OCT
- **荧光素眼底吸收成像（FAF）**：蓝光激发（488 nm）
- **近红外反射（NIR）**：787-820 nm波段
- **眼底摄影（CFP）**：传统彩色成像

模型架构以卷积神经网络（CNN）为主，典型代表包括：
- **U-Net**：适用于多模态数据融合与高分辨率图像分割
- **EfficientNet系列**：平衡计算效率与模型性能
- **3D CNN**：处理轴向视网膜结构信息
- **Transformer架构**：捕捉长程依赖关系

#### 关键发现
1. **检测性能**
十项检测研究（7132人）显示，AI模型在OCT、CFP、FAF等成像中均达到或超越临床专家水平：
- **OCT**：ResNet18模型对GA检测的敏感度达89.25%，特异性达98.80%
- **CFP**：EfficientNet_b2在早期GA筛查中敏感度达100%（ Italy研究）
- **FAF**：YOLOv8算法在低对比度区域检测中IoU（交并比）达0.84

2. **进展评估与预测**
20项评估研究（14,064人）表明：
- **OCT轴向分析**：3D-U-Net模型在追踪RPE与外核层厚度变化时，相关系数（r2）达0.91
- **FAF与NIR融合**：多模态模型（如FPN-ResNet50）的DSC（ dice相似系数）达0.92
- **时间序列预测**：双向LSTM网络在1-3年GA进展预测中DSC稳定在0.85以上

3. **技术瓶颈与局限性**
- **数据标准化问题**：仅35%研究明确标注影像分辨率（如SD-OCT 512×512像素）
- **模型泛化性不足**：79%的验证仅使用内部数据集，仅12%完成外部独立验证
- **临床适用性挑战**：62%的研究样本局限于特定人群（如 AREDS2队列）
- **算法可解释性缺失**：仅有18%研究提供模型决策路径可视化

#### 创新性与临床价值
1. **多模态融合突破**
首次系统性验证了OCT（结构信息）与FAF/NIR（代谢信息）的联合分析价值。例如，Zhang等（2025）通过3D-OCT与FAF双通道输入，使GA进展预测的r2提升至0.94。

2. **分层管理模型构建**
AI系统可基于影像特征实现三阶段管理：
- **初级筛查**：ResNet50在CFP中实现98.4%准确率
- **精细诊断**：U-Net在OCT中达到0.96的DSC
- **动态监测**：LSTM模型在6-12个月进展预测中r2达0.89

3. **治疗响应评估**
针对补体抑制剂（如pegcetacoplan）的疗效验证，AI算法通过监测外核层厚度变化（MAE<0.15 mm2）实现治疗响应量化，为个性化用药提供依据。

#### 挑战与未来方向
1. **技术优化方向**
- 发展自监督学习算法以减少标注依赖（如Safai等2025年提出弱监督框架）
- 探索图神经网络（GNN）处理多中心异构数据

2. **临床转化障碍**
- **设备兼容性**：不同品牌OCT（如Heidelberg、Zeiss）的图像标准化流程差异显著
- **法规认证**：目前仅3项AI系统（如IDx-DR）获FDA批准，GA管理相关产品仍处临床验证阶段

3. **伦理与安全**
- 需建立AI决策透明度标准（如可解释性报告模板）
- 制定算法误差阈值（建议敏感度≥0.95且特异性≥0.90）

#### 结论
AI技术已突破传统方法在GA管理中的效率瓶颈，在早期检测（敏感度>85%）、形态量化（MAE<0.1 mm2）和进展预测（r2>0.85）方面展现显著优势。未来需重点推进：
1. 建立全球统一的GA影像数据库（建议采样量>50,000例）
2. 开发多中心验证框架（至少包含3个地域、2种设备）
3. 制定AI辅助诊断临床指南（如ACRS标准）

本综述为AI在GA管理中的临床转化提供了关键路径参考，其方法论框架可扩展至其他视网膜疾病（如糖尿病性视网膜病变）的智能诊断体系构建。