基于人工智能的玻璃体腔注射阿柏西普治疗新生血管性年龄相关性黄斑变性的个体化治疗方案预测研究

编辑推荐：针对nAMD患者抗VEGF治疗负担重的临床难题，Matthias Gutfleisch团队创新性地采用迁移学习技术，利用ARIES和ALTAIR临床试验中SD-OCT影像数据，开发出可预测T&E方案下IVT-AFL治疗间隔的AI模型，AUC达0.87，为临床决策提供智能化支持。

　　在眼科领域，年龄相关性黄斑变性（AMD）是导致老年人不可逆视力丧失的首要原因，其中新生血管性AMD（nAMD）虽然仅占10-20%病例，却造成90%的严重视力损害。抗血管内皮生长因子（VEGF）药物如阿柏西普（IVT-AFL）的玻璃体腔注射已成为标准疗法，但频繁的就诊给患者带来沉重负担。"按需给药"（PRN）和"治疗延长"（T&E）是两种主流方案，后者通过动态调整注射间隔以平衡疗效与治疗负担。然而，如何在治疗早期准确预测个体化治疗需求，仍是临床面临的重大挑战。

德国明斯特圣弗朗西斯科医院眼科中心的Matthias Gutf团队联合多家机构，在《Graefe's Archive for Clinical and Experimental Ophthalmology》发表研究，创新性地将人工智能（AI）技术应用于这一难题。研究团队利用ARIES（欧洲/北美/澳大利亚）和ALTAIR（日本）两项IIIb/IV期临床试验数据，纳入317例接受T&E方案IVT-AFL治疗的患者，采集其第8周和第16周的谱域光学相干断层扫描（SD-OCT）影像。通过迁移学习技术，将已建立的PRN治疗AI模型适配到T&E数据集，开发出可预测治疗间隔的算法。

关键技术包括：1）采用deepeye?研究平台进行自动化SD-OCT图像分割，提取视网膜内液（IRF）、视网膜下液（SRF）等生物标志物；2）构建三维卷积神经网络处理时序影像数据；3）五折交叉验证评估模型性能；4）针对ALTAIR数据过拟合问题改用逻辑回归分析。所有SD-OCT扫描均经过对比度受限自适应直方图均衡化（CLAHE）等标准化预处理。

研究结果显示三大重要发现：

1. 首次治疗间隔预测：在Wk16访视时，模型预测首次延长间隔（≥12周）的准确率达77%（ARIES）和78%（ALTAIR），AUC分别为0.87和0.78。迁移学习使ARIES数据集的特异性从38%提升至71%。

2. 年度治疗需求预测：模型预测第一年（≥8次注射）和第二年（≥5次注射）高治疗需求的AUC分别为0.84/0.79（ARIES）和0.79/0.78（ALTAIR），平衡准确度达75%。

3. 治疗终点预测：两年治疗结束时最终间隔预测的AUC为0.74（ARIES）和0.77（ALTAIR）。研究发现预测时间越近，准确率越高。

值得注意的是，AI对IRF识别的准确率（0.86）甚至超过临床研究中心的专家评估（0.75），但受限于固定50μm阈值，SRF高度判断略逊于人工。研究也揭示了ALTAIR数据因设备异质性导致的模型过拟合问题，最终通过逻辑回归获得理想结果。

这项研究首次证明，基于早期SD-OCT的AI模型可有效预测nAMD患者的长期治疗需求。其临床意义在于：1）为T&E方案提供客观决策支持，优化个体化治疗；2）迁移学习技术解决了小样本数据训练的难题；3）验证了Wk8和Wk16作为关键预测时间点的价值。未来研究可进一步探索生物标志物体积、位置等参数的影响，并通过更大样本验证模型普适性。该成果标志着AMD治疗向精准医学迈出重要一步，为减轻患者治疗负担提供创新解决方案。