DME背后的真相：潜在的表型聚类以及对玻璃体内治疗的差异性反应

《Ophthalmology Science》：What Lies Beneath DME: Latent Phenotypic Clustering and Differential Treatment Responses to Intravitreal Therapies

糖尿病性黄斑水肿（DME）表型亚群识别及治疗反应差异分析，基于AI驱动的SD-OCT多参数聚类及疗效评估。采用Gaussian混合建模发现三型亚群：1型（29%）中心IRF高，VA改善佳；2型（49%）广泛IRF/SRF，抗VEGF疗效最优；3型（22%）EZ disruption低，DEX更有效。证实DME异质性影响抗VEGF与DEX疗效，AI辅助分层治疗可优化预后。

　　本研究探讨了糖尿病性黄斑水肿（DME）的潜在表型亚群，并分析了不同治疗方式对这些亚群的疗效差异。通过使用人工智能（AI）驱动的光相干断层扫描（OCT）指标，研究人员能够识别出DME的结构和功能特征的多样性，并评估抗VEGF治疗与地塞米松（DEX）治疗在不同表型中的效果。研究结果表明，个体化治疗策略可能对优化患者预后具有重要意义。

DME是糖尿病患者视力受损的主要原因之一，其发生与视网膜内血管渗漏、炎症反应以及神经退行性变等多种因素密切相关。尽管已有抗VEGF药物和皮质类固醇植入物等有效的治疗手段，但患者对治疗的反应存在显著差异，这表明DME具有高度的异质性。因此，探索DME的潜在表型亚群，以指导个体化治疗，成为当前研究的重要方向。

在本研究中，通过回顾性研究设计，研究人员收集了114只眼睛（82名患者）的数据，这些患者均为未接受过治疗的DME患者。研究团队利用AI技术，对OCT图像进行了定量分析，包括视网膜内液体（IRF）和视网膜下液体（SRF）的体积、IRF在中央0-1毫米、1-3毫米和3-6毫米区域的分布比例、高反射焦点（HRF）的数量以及椭球区（EZ）的破坏程度等指标。通过这些指标，研究人员能够识别出三种不同的DME表型亚群，并进一步分析不同治疗方式对这些亚群的影响。

研究结果显示，三种表型亚群在结构和功能特征上表现出明显的差异。第一种亚群（Cluster 1）占比约29%，其特点是IRF集中在中央区域，且伴有中度的EZ破坏，同时具有较好的视力（LogMAR值为0.29）。第二种亚群（Cluster 2）占比约49%，其特征为IRF广泛分布，尤其是在3-6毫米区域，IRF体积较大（平均为3.33 mm3），EZ破坏严重（46%），视力最差（LogMAR值为0.63）。第三种亚群（Cluster 3）占比约22%，其特征为IRF水平适中，且结构破坏较轻（EZ破坏仅0.5%），这可能意味着该亚群的病情相对稳定。

在治疗反应方面，抗VEGF治疗在Cluster 2中显示出最大的视力改善，视力平均提高了31.5%。相比之下，在Cluster 1和Cluster 3中，DEX治疗的视力改善趋势更明显，尽管在统计学上未达到显著水平。然而，DEX在Cluster 3中显著降低了中央视网膜厚度（CST），并且在某些情况下，还导致了周围区域IRF分布的增加。这些发现表明，不同表型的患者对治疗的反应存在差异，因此基于表型的治疗策略可能有助于提高疗效。

此外，研究还发现，某些结构性指标，如EZ破坏，与视力变化具有较强的关联性。这提示EZ的破坏可能是影响视力的重要因素，而其他如HRF的数量则与视力改善的关系较弱。这可能意味着，某些结构性变化是不可逆的，而其他变化则可能通过治疗得到改善。

在分析治疗效果时，研究人员采用了一种混合效应模型，以考虑个体差异和随时间的变化。研究结果表明，抗VEGF和DEX治疗在不同表型中表现出不同的疗效。例如，在Cluster 2中，抗VEGF治疗对视力和CST的改善更为显著，而在Cluster 3中，DEX治疗在CST的改善上具有优势。这些发现支持了基于表型的治疗策略的可行性。

研究的局限性在于其回顾性设计，可能导致一定的选择偏差。此外，由于每个亚群的样本量相对较小，结果的普遍性可能受到限制。为了进一步验证这些表型相关的治疗反应，需要在未来的前瞻性研究中，对每个亚群进行随机分组，并比较不同治疗方式的效果。

综上所述，本研究通过AI技术识别出DME的三种表型亚群，并揭示了不同治疗方式在这些亚群中的疗效差异。这些发现为制定更加精准的治疗方案提供了科学依据，同时也强调了在DME管理中采用个体化治疗策略的重要性。未来的研究应进一步探索这些表型与疾病机制之间的关系，以推动更有效的治疗策略的开发。