综述：视网膜影像标准化进程的协同迈进

这篇综述系统阐述了视网膜影像标准化（DICOM）在眼科临床与人工智能（AI）研究中的关键作用，重点分析了光学相干断层扫描（OCT）、眼底彩照及OCT血管成像（OCTA）等模态的标准化挑战与解决方案，并以AI-READI数据集为例，展示了标准化对糖尿病视网膜病变研究的推动作用。

　　

Abstract
视网膜影像的标准化协议采用是解决设备间数据格式碎片化问题的核心。当前眼科领域广泛使用的光学相干断层扫描（OCT）、眼底摄影等模态受限于厂商私有格式，导致临床互操作性和AI模型开发受阻。医学数字成像通信标准（DICOM）虽在放射科和心内科普及，但其眼科应用仍待推广。

标准化需求与挑战
视网膜影像的多样性（如OCT_3D
、广角眼底彩照）要求DICOM标准扩展至眼科摄影（OP）和OCTA领域。关键元数据包括扫描协议、病灶标注和患者历史数据，这些信息的缺失会阻碍多中心研究。以糖尿病为例，非标准化数据导致不同机构间AI算法性能差异达15-30%。

AI-READI：标准化实践范例
首个公开的DICOM标准化视网膜数据集AI-READI覆盖5种模态：彩色眼底照相、红外成像、自发荧光、OCT和OCTA。该数据集通过统一层厚（如OCT_轴向
分辨率5μm）和坐标系统，使研究者能直接对比不同设备的成像结果。其糖尿病并发症分析模块整合了微动脉瘤^定量
与视网膜神经纤维层厚度数据，为AI训练提供高质量基准。

AI应用的标准化红利
DICOM标准化使OCTA血流密度计算误差从12%降至3%，同时支持多模态融合（如OCT+眼底彩照的病灶匹配）。在糖尿病黄斑水肿研究中，标准化数据使深度学习模型AUC提升0.11，显著优于非标准化数据训练结果。

未来展望
眼科DICOM标准需进一步纳入自适应光学扫描激光检眼镜（AOSLO）等新兴模态。预计到2025年，标准化将推动眼科AI市场规模增长至$3.7B，其中糖尿病视网膜病变筛查占比超40%。