基于眼眶CT深度学习模型的甲状腺眼病视神经病变预测：媲美专科医师性能并揭示骨壁影响的研究

来自某四级转诊中心的研究人员开发了基于眼眶CT的深度学习(DL)模型，用于甲状腺眼病(TED)患者视神经病变(ON)预测。研究比较了2D/3D局部与整体图像输入的性能差异，结果显示：包含骨壁的完整冠状位模型灵敏度达89%(AUC 0.86)，而仅标注侧眶壁的轴位模型特异度达92%(AUC 0.79)，DL模型与专科医师诊断性能无显著差异(p=0.58)。该成果为临床分级诊疗提供了客观量化工具。

　　

这项突破性研究将人工智能的触角延伸至甲状腺眼病(TED)的精准诊疗领域。科研团队利用2002-2017年间126例TED患者(平均51岁，女性81例)的252个眼眶CT扫描数据，构建了可预测视神经病变(ON)的深度学习(DL)模型。

在技术路线上，研究团队创新性地对比了不同输入模式：包含骨壁结构的完整冠状位眼眶图像展现出89%的高灵敏度(AUC 0.86)，而仅标注部分侧眶壁的轴位图像则实现92%的特异度(AUC 0.79)。通过显著性映射技术解析发现，骨性眶壁结构对模型决策具有显著影响。

最令人振奋的是，这些算法在盲法测试中与眼科专家的诊断表现旗鼓相当(p=0.58)，犹如为临床医生装配了"数字视网膜"。该成果不仅为TED相关ON的早期预警提供了客观标准，其模块化设计更允许医疗机构根据实际需求(如侧重灵敏度或特异度)灵活部署不同模型变体，堪称人工智能辅助诊疗的典范之作。