基于视觉Transformer的视网膜下液光学相干断层扫描自动分割：五折交叉验证研究

本研究针对视网膜脱离术后残留视网膜下液(SRF)的临床定量评估难题，开发了基于SegFormer架构的深度学习模型。通过五折交叉验证和独立测试集验证，模型在3,819张OCT B扫描图像上实现总Dice系数0.94，中位数Dice 0.92的优异性能。该研究首次将Transformer架构应用于SRF分割，并提供开源模型代码，为术后SRF监测提供了可靠的自动化工具。

　　

在眼科临床实践中，孔源性视网膜脱离(RRD)术后残留的视网膜下液(SRF)是影响患者视力恢复的关键因素。传统依赖人工定性评估SRF的方法存在效率低下、主观性强等局限，而现有自动化算法普遍缺乏严格的交叉验证。更棘手的是，当前性能最优的SRF分割模型( Dice系数0.6-0.95)多基于卷积神经网络(CNN)，在应对微小病灶和复杂病理共存场景时表现不稳定。

针对这些挑战，来自某医疗机构的研究团队在《Ophthalmology Science》发表创新研究，首次将视觉Transformer架构SegFormer引入SRF分割领域。该团队利用来自45名患者的3,819张OCT B扫描图像，通过五折交叉验证和独立测试集验证，开发出具有临床级精度的自动化分割工具。研究结果显示，模型在保持轻量化的同时，总Dice系数达0.94，中位数Dice 0.92，且各验证折叠间标准差仅0.03，显著提升了SRF定量评估的可靠性和效率。

关键技术方法包括：1) 采用预训练SegFormer-b0模型进行迁移学习；2) 使用ReTOUCH(4,532张图像)和内部PIVOT试验数据集(3,819张图像)进行两阶段训练；3) 实施患者级别的66:34训练-测试分割和五折交叉验证；4) 采用Dice-BCE联合损失函数和AdamW优化器；5) 同时计算总Dice(像素级)和平均Dice(图像级)评估指标。

【研究结果】
目的：建立可交叉验证的SRF自动分割算法，重点关注术后SRF体积变化监测。通过患者分层随机抽样确保数据代表性，最终纳入45例RRD术后患者的98个时间点数据。

设计：回顾性横断面研究证实，基于Transformer的架构在医学图像分割中具有显著优势。与传统CNN相比，SegFormer参数减少35%但保持更高精度，特别适合处理OCT图像中的微小SRF病灶。

参与者：3819张B扫描图像覆盖了从完全无SRF到多发SRF的各种临床场景，其中包含12%的复杂病例(合并视网膜水肿或视网膜内液)。

主要结局指标：模型在独立测试集上达到总Dice 0.94，中位数Dice 0.92，25分位数仍保持0.82以上。误差分析显示，83%的错误属于微小假阳性(平均仅125像素)，主要发生在无SRF但伴视网膜水肿的图像中。

方法：两阶段训练策略显著提升模型鲁棒性——先在ReTOUCH数据集上预训练达到平台期，再在内部数据集微调。五折交叉验证证实模型稳定性，各折叠间Dice差异<0.03。

结论：这是首个通过严格交叉验证的Transformer类SRF分割模型，其开源特性(代码发布于GitHub)为临床研究和自动化监测工具开发奠定了基础。

【讨论与意义】
该研究的突破性体现在三个方面：首先，SegFormer架构在SRF分割中的优异表现(总Dice 0.94)挑战了CNN在该领域的传统优势，其多头自注意力机制能更好捕捉SRF的形态学特征；其次，严格的五折交叉验证和独立测试证实了模型的临床适用性，特别是对微小SRF病灶(直径<100μm)的识别能力；最后，开源策略促进了方法学的可重复性研究。

值得注意的是，模型在复杂病理图像(如合并视网膜内液IRF)中表现稳健，仅3例出现IRF误判。这得益于ReTOUCH数据集的预训练，使模型能区分SRF与其他视网膜液体异常。误差分析揭示，未来改进应聚焦视网膜水肿的鉴别诊断，可通过增加无SRF伴水肿的训练样本优化。

临床转化方面，该模型可直接集成至OCT工作站，实现术后SRF体积的自动追踪。其轻量化特性(可在笔记本电脑运行)特别适合基层医院应用。研究局限性在于仅验证了Cirrus OCT设备图像，未来需扩展至Topcon、Heidelberg等不同厂商设备验证普适性。

这项研究为RRD术后管理提供了精准量化工具，其方法论框架也可拓展至其他视网膜疾病(如糖尿病黄斑水肿)的液体分割研究。通过将Transformer架构与严格验证流程结合，推动了眼科AI从实验研究向临床实践的转化。