综述：生成对抗网络在眼科疾病诊断、预后和治疗中的应用

这篇综述系统阐述了生成对抗网络（GANs）在眼科领域的创新应用，涵盖糖尿病视网膜病变（DR）、年龄相关性黄斑变性（AMD）等8种疾病的诊断、预后预测及治疗优化。文章重点解析了GANs在数据增强（如合成高质量眼底图像）、多模态图像转换（如CF→OCT）及个性化治疗预测（如抗VEGF疗效评估）中的技术突破，同时指出当前临床转化面临的挑战（如数据集多样性不足）。

　　

眼科AI革命：生成对抗网络的临床突破与挑战

引言
眼科因其高度依赖影像诊断的特点，成为人工智能（AI）技术落地的理想领域。深度学习（DL）虽在糖尿病视网膜病变（DR）等疾病诊断中展现出高准确性，但面临数据稀缺、质量不均等瓶颈。生成对抗网络（GANs）通过合成逼真医学图像、跨模态转换及预后建模，为这些难题提供了创新解决方案。

技术基石：GANs的演进
GANs的核心架构包含生成器与判别器的对抗训练。条件GAN（cGAN）通过输入条件信息（如基线OCT图像）生成目标输出（如预测治疗后图像）；CycleGAN实现无配对数据的跨模态转换（如眼底彩照→荧光造影）；渐进式GAN（ProGAN）则能生成高分辨率视网膜图像。FA₄SANS-GAN等新型架构进一步融合多模态数据，为太空神经眼综合征（SANS）研究提供新工具。

诊断应用：从数据荒漠到精准识别
糖尿病视网膜病变
Zhou等开发的HR-GAN生成5万张分级DR图像，使ResNet50分类准确率提升3%（0.68→0.71）。Liu等通过血管分割与层次变分编码器（HVAE）增强合成图像真实性，显著改善微动脉瘤检测。

年龄相关性黄斑变性
Burlina等使用PGGAN合成AMD图像，专家辨别准确率仅54-64%。Chen团队将眼底彩照转换为吲哚菁绿血管造影（ICGA），使AMD分类AUC提升至0.967，但合成图像仍存在血管纹理模糊等问题。

白内障
Liu等开发的C²ycleGAN对术前混浊图像进行"去雾"处理，术后病理检出准确率提升13%（78%→91%）。临床评估显示，30.7%的合成图像被专家评为"优秀"，远超原始图像的15.7%。

治疗预测：从经验医学到数字孪生
抗VEGF疗效建模
Baek等比较CycleGAN与regGAN预测DME患者52周后的OCT图像，结合多时间点数据时PPV达1.0。Zhao的生物标志物感知GAN对AMD抗VEGF治疗12个月效果的预测准确率达85.7%。

手术规划创新
Sun等的Pix2pix cGAN预测上睑下垂术后眼睑轮廓，重叠比达0.858。Frisch的MT-UNIT模型通过光学流分析实现白内障手术视频的器械使用预测（F1-score 0.296）。

挑战与展望
当前限制主要体现在：1）合成重症图像真实性不足（如AMD晚期病变）；2）单中心数据集泛化性差（如青光眼模型外部验证AUC下降13%）；3）监管空白。新兴的物理信息GAN（如Brown等融合血流动力学模型）有望提升生物学合理性。随着AREDS等公共数据库的扩展，GANs或将成为眼科精准医疗的核心引擎。