基于深度学习的OCT视网膜硬性渗出物自动量化：三维精准评估新突破

《International Journal of Retina and Vitreous》：Deep learning based retinal hard exudates quantification of optical coherence tomography

本研究针对视网膜硬性渗出物(HE)传统测量方法存在的主观性强、效率低等问题，开发了基于改进U-Net架构的深度学习模型，实现对光学相干断层扫描(OCT)图像中HE的自动分割。模型在测试集上Dice系数达0.721，与人工测量高度一致(ICC=0.965)，且生成的二维投影图像能更准确展示HE三维结构特征，为糖尿病视网膜病变等疾病的精准诊疗提供了新工具。

　　

在糖尿病视网膜病变和视网膜静脉阻塞等眼底疾病中，视网膜硬性渗出物(HE)如同视网膜上散落的"黄色警示灯"，是视力损伤的独立危险因素。这些由血脂异常渗出形成的黄白色沉积物，传统上主要通过眼底彩照进行二维平面评估，但存在诸多局限：微小病灶易遗漏、三维结构信息缺失、受白内障等介质混浊影响大，且人工测量耗时费力、重复性差。光学相干断层扫描(OCT)虽能提供高分辨率三维数据，但手动分割HE工作量大，且易与神经纤维层、血管等混淆。

为解决这一临床痛点，Yoon等人在《International Journal of Retina and Vitreous》发表研究，探索利用深度学习技术实现OCT图像中HE的自动精准量化。研究团队收集了来自15例糖尿病视网膜病变或视网膜静脉阻塞患者的1,811张OCT B扫描图像，采用改进的U-Net架构——DUCK-Net进行模型训练。该模型通过融合多尺度特征的专用卷积块增强特征提取能力，并采用五折交叉验证确保泛化性能。关键技术方法包括：多中心数据集构建（涵盖Cirrus HD-OCT、Spectralis OCT、Topcon DRI OCT-1三种设备）、专业医师像素级标注、数据增强策略优化，以及基于Dice损失函数的模型训练流程。

模型性能评估

研究显示，深度学习模型在独立测试集上Dice系数达0.721，准确率99.9%，与人工标注的HE面积高度一致(ICC=0.965)。典型案例如

所示：高对比度HE被准确识别（图1A、B），而对低对比度病灶的漏检（红色区域）及模型独有发现（蓝色区域）则揭示了算法与人工标注的互补性（图1C、D）。

与眼底彩照的对比验证

通过将模型生成的HE三维体积数据与既往临床试验中人工测量的二维面积进行相关性分析，发现二者呈中度相关（R=0.589-0.618, P<0.001）。

的案例生动展示了OCT量化优势：眼底彩照因介质混浊低估的HE（图2C），在OCT中清晰可辨（图3C），模型预测面积较人工测量高出99%；而彩照中疑似HE的黄色病灶（图2B中心），经OCT横断面证实为非特异性高反射物质（图3B黄圈），被模型正确排除。

进一步显示模型能有效区分血管阴影（图3A红三角）与真实HE。

临床适用性分析

的相关性分布及

的动态监测一致性，均验证了模型在真实临床场景中替代人工测量的可行性。补充材料对比实验更表明，该深度学习模型显著优于基于规则的传统算法，有效避免了对神经纤维层等结构的误判。

本研究首次实现了OCT图像中HE的端到端自动分割，其核心价值在于将HE评估从二维平面提升至三维立体维度。通过量化HE体积而非仅面积，更真实反映病变负荷；借助OCT的层析能力，精准区分HE与其他高反射结构；突破介质混浊对眼底彩照的限制，提升诊断鲁棒性。这种设备无关的自动化工具，为多中心临床研究提供了标准化评估手段，有望推动HE作为生物标志物在治疗决策和预后判断中的应用。尽管仍需扩大样本验证临床关联性，但该技术无疑为眼底病变的智能诊疗开辟了新路径。