综述：中心性浆液性脉络膜视网膜病变OCT的算法进展：从分类到分割

《Biomedical Signal Processing and Control》：Review: Algorithmic advances in central serous chorioretinopathy OCT: From classification to segmentation

本综述系统回顾了62篇研究文献，聚焦于人工智能在中心性浆液性脉络膜视网膜病变（CSC）OCT图像分析中的前沿进展，重点梳理了从分类（如二分类、三分类）到精细分割（如SRD、PED）的算法优化路径，并总结了其在疾病预测与辅助评估中的应用，为研究者提供了该领域的全面视野与发展方向。

　　

文献检索

本研究基于Web of Science核心合集的系统性检索展开，使用了以人工智能（AI）、机器学习、深度学习、神经网络等术语与“中心性浆液性脉络膜视网膜病变”（CSC）相结合的关键词策略，初步检索到390篇相关论文。

基于OCT图像的CSC分类算法进展

中心性浆液性脉络膜视网膜病变（CSC）的OCT图像分类通常涉及多个类别，例如正常眼与CSC眼的二分类，或正常眼、CSC眼及其他眼底疾病的三分类乃至多分类。随着深度学习技术的深入，自动分类方法不断演进。从早期依赖手工提取纹理、形状等特征并结合传统机器学习算法的方法，发展到利用卷积神经网络（CNN）等模型实现端到端的自动识别，其在分类准确性与模型鲁棒性方面均取得了长足进步。

基于OCT图像的CSC分割算法进展

与疾病分类研究相比，分割算法能够更进一步精确勾勒出OCT图像中的病灶区域与组织结构的边界。这对于医生定量评估病变范围、计算病灶组织体积以及在其后的治疗与随访中持续追踪变化至关重要。依据现有文献，CSC的OCT分割研究主要集中于几个关键目标：视网膜脱离、浆液性液体（SF）、色素上皮脱离（PED）以及脉络膜层等结构的精细分割。

基于OCT图像的CSC预测、评估与辅助分析算法进展

在研究CSC OCT图像处理方法时，学者们不仅关注其在临床诊断和病灶分割中的应用，也越发重视其在疾病预测、预后评估以及辅助分析方面的潜力。部分文献对此进行了深入探讨，例如Hassan和Lin的综述文章分别总结并概述了相关研究方法。

CSC OCT算法从分类到分割的转变

中心性浆液性脉络膜视网膜病变（CSC）OCT算法研究从分类任务向分割任务的转变，既是算法研究持续进步的必然结果，也深受眼科临床诊疗需求的驱动。

数据多样性与规模不足

医学数据的标注工作难度高，且个体差异与成像设备差异普遍存在。在构建用于训练的大规模、高质量数据集时，统一标注标准与实施严格的质量控制是关键挑战。

领域泛化能力

CSC在不同人群和疾病不同阶段会呈现出多样的形态特征。算法是否具备足够的泛化能力以处理来自不同中心、不同设备采集的数据，是影响其最终能否成功应用于临床的重要因素。

多模态融合

除OCT影像外，眼底彩色照相、荧光血管造影等其他模态影像也能提供互补信息。如何有效融合多模态信息以提升CSC诊疗算法的性能，是一个重要的研究方向。

结论与展望

中心性浆液性脉络膜视网膜病变（CSC）是一种常见的眼底疾病，其典型表现为黄斑区的浆液性视网膜脱离，严重影响患者的视功能。近年来，随着深度学习与图像处理算法的持续发展，基于CSC OCT图像的算法研究取得了显著进展，尤其在分类与分割领域涌现出大量创新性工作和卓越成果。CSC分类算法研究为后续更精细的分析奠定了基础，而分割算法的进步则极大地推动了临床定量评估与精准诊疗的发展。未来研究需着力解决数据规模与质量、模型泛化能力以及多模态融合等挑战，以促进人工智能技术在CSC临床实践中的更广泛应用。

资助

本研究得到深圳市科技计划项目（JCYJ20240813152704006）的资助。

作者贡献声明

Yihan Zhu：负责撰写论文初稿及数据整理。Yanwu Xu：负责研究方法设计。Weihua Yang：负责论文审阅与修改、研究监督、项目管理及方法设计。

利益冲突声明

作者声明不存在任何已知的、可能影响本论文所报告研究的竞争性经济利益或个人关系。