基于nnU-Net的MRI眼眶结构自动分割模型：提升眼科疾病诊断精度的深度学习突破

本研究针对眼眶MRI影像中复杂解剖结构手动分割耗时且存在主观差异的临床痛点，开发了基于nnU-Net框架的深度学习模型。研究团队通过117例多病理类型患者的五折交叉验证，实现了眼球的0.931 DSC值和视神经0.820 DSC值的精准分割，对肿瘤和视网膜脱离的检测AUC分别达0.90和0.78。该成果为眼眶疾病（如葡萄膜黑色素瘤、视神经炎）的定量分析和放疗规划提供了自动化工具，标志着AI在眼科影像分析领域的重要进展。

　　

眼眶疾病诊断的精准化困境与AI破局
在眼科临床实践中，磁共振成像(MRI)是评估眼眶解剖结构和病理变化的核心手段，但传统手动分割方法面临巨大挑战。由于眼眶内眼球、视神经等结构形态复杂，加上肿瘤、视网膜脱离等病变存在高度异质性，放射科医生需要耗费大量时间进行手工勾画，且不同医师间存在显著主观差异。这种低效且不稳定的评估方式，严重制约了葡萄膜黑色素瘤(uveal melanoma)等疾病的精确放疗规划及治疗效果监测。

柏林夏里特医科大学神经放射科的Esmira Bakhshaliyeva团队在《Clinical Neuroradiology》发表的研究，首次将自适应深度学习框架nnU-Net应用于多病理类型的眼眶MRI分割。这项研究通过117例包含肿瘤、视网膜脱离等复杂病例的队列，建立了可同时分割眼球、视神经、肿瘤和视网膜脱离的自动化系统，为临床提供了标准化定量分析工具。

关键技术方法
研究采用单中心回顾性设计，纳入2019-2021年间117例眼眶MRI患者数据（94%为肿瘤患者，86.3%为葡萄膜黑色素瘤）。基于T2加权序列，由两名放射科医师使用3D-Slicer软件完成手工标注作为金标准。采用nnU-Net V2框架的3d_fullres架构进行五折交叉验证（训练:验证:测试=64:16:20），以Dice相似系数(DSC)和相对绝对体积差异(RAVD)为主要评估指标，同时计算肿瘤和视网膜脱离的接收者操作特征曲线下面积(AUROC)。

研究结果
1. 分割性能的量化评估
模型在眼球分割中表现最优（平均DSC 0.931±0.047），接近完美匹配的0.94上限值。视神经分割达0.820±0.069 DSC值，显著优于既往研究的81.9%。对于更具挑战性的病理结构，肿瘤分割平均DSC为0.788±0.273，视网膜脱离为0.550±0.342。值得注意的是，当视网膜脱离体积>300mm³时，DSC可提升至0.75以上。

2. 病理检测的临床价值
模型对肿瘤的检测能力突出（AUROC=0.90），在84例视网膜脱离患者中达到0.78 AUROC。体积测量方面，眼球分割的组内相关系数(ICC)高达0.94，但视网膜脱离ICC为0.67，反映小体积病变的量化仍存挑战。研究同时发现，当肿瘤与视网膜脱离信号强度相似时，模型易将出血区域误判为肿瘤。

3. 失败案例分析
图4展示的典型误判案例揭示了三类局限性：(1)眼球外肿瘤因训练样本不足导致分割失败；(2)无邻近肿瘤的孤立性视网膜脱离易被漏诊；(3)金属伪影在肿瘤存在时易被误判为视网膜脱离。这些现象提示数据分布偏差对模型性能的影响。

结论与展望
该研究证实nnU-Net能高精度分割眼眶MRI中的主要解剖结构，其眼球和视神经分割性能已达到临床可用水平。对于肿瘤和视网膜脱离，虽然平均DSC相对较低，但检测敏感性（AUROC>0.75）表明其已具备辅助诊断价值。研究团队特别指出，当前模型在以下场景具有直接临床应用潜力：(1)葡萄膜黑色素瘤的放疗靶区勾画；(2)视神经炎患者的炎症范围量化；(3)视网膜脱离的初步筛查。

局限性主要源于单中心数据偏差——葡萄膜黑色素瘤占比过高（86.3%），且所有数据均来自同一3T MRI扫描仪。未来需通过多中心验证解决泛化性问题。研究者已公开预训练模型，建议后续研究可尝试：(1)融合T1增强序列提升肿瘤边界识别；(2)采用迁移学习适应其他医疗机构扫描协议；(3)开发针对微小视网膜脱离的特异性算法。这项工作为AI在眼科影像分析的转化应用树立了新基准，其方法论对头颈部其他复杂解剖结构的自动化分割也具有借鉴意义。