基于人工智能的光学相干断层扫描预测新生血管性年龄相关性黄斑变性患者视力：一项针对亚洲人群的可行性研究

《Scientific Reports》：Predicting visual acuity using optical coherence tomography in patients with neovascular age-related macular degeneration

本研究针对亚洲新生血管性年龄相关性黄斑变性(nAMD)患者视力(VA)预测模型缺乏的问题，开发了基于预训练VGG16卷积神经网络的人工智能(AI)模型，利用水平光学相干断层扫描(OCT)图像进行五分类VA预测。研究结果显示该模型宏观平均曲线下面积(AUC)为0.772，二元准确率达79.6%，高置信度样本准确率提升至94.2%，证实了AI从OCT图像预测视力的可行性，为亚洲人群nAMD的精准诊疗提供了新思路。

　　

在眼科疾病领域，新生血管性年龄相关性黄斑变性(neovascular age-related macular degeneration, nAMD)是一种威胁视力的严重疾病，尤其好发于老年人群。随着抗血管内皮生长因子(anti-vascular endothelial growth factor, anti-VEGF)疗法的广泛应用，nAMD的治疗取得了显著进展，但患者仍需长期接受治疗和监测。临床上，nAMD患者常合并其他老年性眼病，如白内障、青光眼等，这使得准确判断视力下降的真正原因变得复杂。当患者出现视力下降时，医生需要区分这是由nAMD本身引起，还是其他合并症所致，甚至需要排除视神经病变或脑部病变的可能性。因此，如果能从眼部检查结果中准确预测视力水平，将为临床诊断和治疗决策提供重要依据。

近年来，人工智能(artificial intelligence, AI)技术在眼科疾病诊断和预后预测中展现出巨大潜力。光学相干断层扫描(optical coherence tomography, OCT)作为nAMD诊疗的核心检查手段，能够清晰显示视网膜的微观结构变化。虽然已有研究探索利用AI从OCT图像预测视力功能，但这些研究主要基于西方人群数据。考虑到亚洲nAMD患者与西方人群在脉络膜厚度、息肉状脉络膜血管病变(polypoidal choroidal vasculopathy, PCV)患病率等方面的差异，建立专门针对亚洲人群的AI模型具有重要意义。

发表在《Scientific Reports》的这项研究，由韩国Kim眼科医院的科研团队完成，旨在评估AI模型从OCT图像预测nAMD患者视力的可行性。研究团队收集了240例接受抗VEGF治疗的nAMD患者的临床数据，每位患者均完成了10次随访，共获得2,400张水平OCT扫描图像。这些图像经过裁剪和尺寸调整后，用于训练基于VGG16的卷积神经网络(convolutional neural network, CNN)模型。

研究采用预训练的VGG16 CNN架构进行改造，将最终的全连接层调整为输出五个视力类别：VA<0.1、0.1-0.3、0.3-0.5、0.5-0.8和≥0.8。模型训练采用五折交叉验证(five-fold cross-validation)方法，数据集按患者级别划分为训练集(64%)、验证集(16%)和测试集(20%)，以避免数据泄露。所有OCT图像统一处理为224×224像素，使用Adam优化器进行端到端训练，采用交叉熵损失函数，并设置早停策略防止过拟合。

模型性能评估

研究采用多种指标评估模型性能，包括宏观平均AUC、准确率、Top-2准确率（真实标签位于预测前两个类别内视为正确）和二元准确率（以VA=0.5为阈值）。结果显示，模型平均宏观AUC为0.772，总体准确率为50.3%，Top-2准确率达71.0%，二元准确率为79.6%。特别值得注意的是，对占样本总量29.2%的高置信度（置信度=1.0）预测，准确率提升至74.1%，二元准确率高达94.2%。

各类别判别性能

受试者工作特征(receiver operating characteristic, ROC)曲线分析显示，模型在五个VA类别中均表现出中等至良好的判别性能，AUC值在0.73-0.83之间。其中，VA<0.1类别的判别性能最优，AUC达0.83±0.05，表明模型能够很好地将严重视力损害与其他VA类别区分开。混淆矩阵分析揭示了不同VA类别间的分类精度差异：VA 0.5-0.8和VA≥0.8类别相对容易区分，准确率分别为55.8%和58.4%，但这两个类别之间存在明显的双向误分类现象，表明模型在区分良好和优秀视力时存在挑战。

预测置信度分析

研究人员通过softmax概率分布进一步分析了模型的预测置信度。结果显示，模型在某些样本上表现出高度确信的准确预测，而在另一些样本上则显示出较低的确信度或明显的误分类。

研究意义与局限性

该研究证实了预训练VGG16模型从OCT图像预测nAMD患者视力的可行性。虽然整体分类性能有限，但较高的二元准确率表明该模型在区分好坏视力方面具有临床价值。研究创新性地专注于亚洲人群数据，弥补了现有研究主要基于西方人群的不足。模型输出的概率分布而非单一分类结果，更符合临床决策的不确定性特点，为家庭监测和远程医疗提供了技术支持。

然而，研究也存在若干局限性：回顾性单中心设计、样本量有限、仅使用水平OCT扫描图像、排除了可能影响视力的合并症患者、VA分类方法的主观性等。此外，所有患者均为韩国人，限制了结果的普适性。

结论与展望

这项研究展示了AI模型从OCT图像预测nAMD患者视力的潜力，为亚洲人群的精准诊疗提供了新思路。尽管存在局限性，但研究结果为开发结合OCT和功能视力测试的家庭监测系统奠定了基础。未来研究可通过纳入更大样本、多中心数据、多种扫描模式以及纵向分析策略，进一步提升模型的准确性和临床适用性。随着AI技术在家庭监测中的日益普及，OCT为基础的视力预测有望在nAMD的长期管理中发挥重要作用。