AI 助力眼结核诊断：视网膜血管分析带来新突破

为区分眼结核（TB）等葡萄膜炎，研究人员利用 AI 分析视网膜血管参数，发现静脉迂曲度可作诊断标志物。

　　# AI 助力眼结核诊断：视网膜血管分析带来新突破
在眼科疾病的研究领域中，眼结核（Ocular Tuberculosis，ocular TB）作为肺结核的肺外表现之一，一直是困扰医学界的难题。它的症状多样，常常与其他眼部疾病混淆，就像隐藏在迷雾中的神秘病症，让医生难以准确判断。典型的眼结核症状，比如脉络膜肉芽肿和视网膜血管炎，并不是每次都会出现，而且在很多情况下，医生只能通过排除其他疾病和检测结核免疫反应来推测是否患有眼结核，这就像是在黑暗中摸索，缺乏精准的诊断方法。

与此同时，葡萄膜炎（Uveitis）的诊断也充满挑战。它是一种眼内炎症，可能由感染、自身免疫等多种因素引起，就像一个复杂的谜题。在印度尼西亚这样的结核病高发国家，眼结核和弓形虫性葡萄膜炎是感染性葡萄膜炎的主要病因，但眼结核的症状往往不典型，使得诊断更加困难。

为了攻克这些难题，来自印度尼西亚大学医学院眼科和伊拉斯谟大学医学中心等机构的研究人员开展了一项重要研究。他们的研究成果发表在《Ophthalmology and Therapy》杂志上，为眼结核的诊断带来了新的曙光。

研究人员采用了先进的人工智能（Artificial Intelligence，AI）技术，对眼底图像中的视网膜血管进行分析。他们收集了印度尼西亚大学医学院眼科门诊的葡萄膜炎患者的病历和眼底图像，这些患者被分为三组：确诊的眼结核患者（Group A）、QuantiFERON（QFT）阳性但无其他明确病因的葡萄膜炎患者（Group B）以及眼弓形虫病患者（Group C）。

在研究过程中，研究人员运用了多种关键技术方法。首先，利用 Retinalysis/VascX 模型包对眼底图像中的动脉、静脉、视盘和黄斑中心凹进行分割和定位，这个模型是基于 UNet 卷积神经网络训练而成，能够自动化地对眼底血管进行分析。其次，从分割结果中计算出 17 种图像特征，包括血管密度（Vascular density，Vd）、迂曲度（Tortuosity，Tort）等。最后，使用统计分析方法，如 Kolmogorov-Smirnov 检验、one-way ANOVA 和 Kruskal-Wallis 检验等，对不同组之间的视网膜血管参数进行比较。

研究结果令人振奋。在纳入分析的患者中，Group A 有 9 名患者（13 只患眼），Group B 有 38 名患者（48 只患眼），Group C 有 26 名患者（39 只患眼）。研究发现，与 Group B 和 Group C 相比，Group A 患者的静脉迂曲度显著降低。通过受试者操作特征曲线（Receiver Operating Characteristic Curve，ROC）和曲线下面积（Area Under the Curve，AUC）评估，静脉迂曲度在区分 Group A 与 Group B、Group A 与 Group C 方面具有中等至良好的诊断性能。AUC 值显示，区分 Group A 与 Group B 时为 0.749，区分 Group A 与 Group C 时为 0.803 。

此外，研究人员还观察到，在接受抗结核治疗（Antitubercular Treatment，ATT）后，Group A 患者的眼内炎症减轻或完全消退，静脉迂曲度有恢复正常的趋势。这表明，静脉迂曲度不仅可以作为诊断眼结核的潜在标志物，还有助于监测疾病的治疗效果。

在研究结论和讨论部分，研究人员指出，AI 辅助定量分析眼底图像中的静脉迂曲度，为区分眼结核与其他葡萄膜炎提供了一种潜在的新方法。这种方法有望提高眼结核的诊断准确性，特别是在资源有限的地区，通过简化诊断流程，能够快速筛选出需要进一步检查的患者，及时启动治疗，从而有效控制结核病的传播。

然而，研究也存在一些局限性。样本量相对较小，可能影响研究结果的普遍性；部分患者因眼部并发症无法进行眼底摄影，存在样本选择偏差；而且没有对视网膜血管迂曲度进行纵向研究，无法确定其在疾病发展过程中的变化规律。但这些局限性并不影响这项研究的重要意义，它为未来的研究指明了方向。

总的来说，这项研究利用 AI 技术对视网膜血管进行分析，为眼结核的诊断和治疗监测带来了新的思路和方法。虽然目前还存在一些不足，但随着技术的不断发展和研究的深入，相信在未来，AI 将在眼科疾病的诊断和治疗中发挥更大的作用，帮助医生更准确地诊断疾病，为患者提供更有效的治疗方案，让更多的患者重见清晰的世界。