基于人工智能的Pegcetacoplan治疗萎缩性年龄相关性黄斑变性个体化疗效预测模型研究

本研究通过深度学习算法预测萎缩性年龄相关性黄斑变性(AMD)患者视网膜色素上皮和外界膜萎缩(RORA)的进展轨迹，首次建立了个体化地形学治疗效应模型。研究人员利用99例患者的纵向光学相干断层扫描(OCT)数据，模拟Pegcetacoplan治疗两年后萎缩区域生长减少20%的效应，发现治疗获益与病灶位置密切相关，为临床个性化治疗决策提供了可视化工具。

　　

年龄相关性黄斑变性(AMD)是全球不可逆视力损害的首要原因，其中萎缩性晚期AMD(地理性萎缩，GA)长期以来缺乏有效治疗手段。2023年，补体C3抑制剂Pegcetacoplan成为首个获FDA批准的治疗药物，临床试验显示其可使GA病灶生长平均减少20%。然而，这一治疗效果在个体患者中如何体现？不同病灶位置的治疗获益是否存在差异？这些关键问题直接影响临床治疗决策。

瑞士洛桑Jules-Gonin眼科医院的研究团队创新性地将深度学习技术应用于这一临床难题。他们开发的人工智能算法能够基于单次基线OCT检查，预测视网膜色素上皮和外界膜萎缩(RORA)未来5年的生长模式。这项发表在《International Journal of Retina and Vitreous》的研究，首次利用该算法模拟Pegcetacoplan治疗效应，为临床医生提供了直观的个体化治疗评估工具。

研究团队回顾性分析了109眼萎缩性AMD患者的纵向OCT数据，采用已发表的深度学习算法生成连续性的RORA生长预测模型。关键技术包括：1)基于卷积神经网络的OCT图像分析系统；2)自动分割视网膜各层和玻璃膜疣的算法；3)生成厚度和反射率en face图的预处理技术；4)建立个体化地形学风险图的预测模型。通过计算80%生长量(对应20%治疗效应)与自然生长100%的差异，可视化呈现Pegcetacoplan的治疗效果。

研究结果显示：

背景与方法：算法可生成三线图示——基线RORA区域(深蓝)、治疗2年后80%生长量(浅蓝)和自然生长100%量(粉红)。粉红区域直观显示治疗避免的20%萎缩进展。

结果：病灶生长呈现明显的位置依赖性。当预测显示病灶将向中心凹发展时(图2A、B)，治疗获益更为显著；而基线已累及中心凹的病灶(图2C、D)，治疗相对获益有限。这与OAKS和DERBY试验的亚组分析一致——基线中心凹外病灶治疗效应达26%，显著高于中心凹下病灶的19%。

讨论：该研究首次实现了萎缩性AMD治疗效应的个体化地形学可视化。传统临床评估依赖病灶整体面积变化，难以反映位置特异性的治疗获益。而AI模型揭示：1)治疗对中心凹区域的保护效应优于周边区域；2)生长快速的病灶治疗绝对获益更大；3)中心凹外病灶的治疗相对效应更显著(26% vs 19%)。这些发现为临床治疗决策提供了重要依据——对于快速进展、威胁中心凹的病灶，Pegcetacoplan治疗可能带来更大的功能保留价值。

研究也存在一定局限：模型基于2年临床试验数据，长期疗效预测需验证；AI算法存在固有误差，但本研究通过使用训练数据本身进行了最小化处理；样本量虽覆盖主要临床情境，但未能包含所有AMD亚型。

这项创新研究将人工智能与临床治疗评估相结合，建立了首个萎缩性AMD个体化治疗效应模型。通过地形学可视化Pegcetacoplan的20%生长抑制效应，临床医生可以直观评估：哪些患者的哪些视网膜区域可能获得最大治疗获益。这种精准医学方法有望优化治疗决策，为AMD这一重大致盲疾病的个性化管理开辟新途径。随着更多治疗药物的出现，该模型框架可扩展应用于其他药物的效应评估，推动眼科治疗进入精准医学时代。