《Ophthalmology Science》：Deep Learning Assessment of Intraretinal Microvascular Abnormalities in Diabetic Retinopathy on Swept-Source Optical Coherence Tomography Angiography
编辑推荐：
目的：研究人员旨在开发并评估一种深度学习算法，用于在扫频源光学相干断层扫描血管成像（SS-OCTA）上自动分割和量化多个视野（FOV）范围内的视网膜内微血管异常（IRMA），并探索IRMA负荷作为光学相干断层扫描血管成像（OCTA）生物标志物用于糖尿病视网膜病
目的：研究人员旨在开发并评估一种深度学习算法，用于在扫频源光学相干断层扫描血管成像（SS-OCTA）上自动分割和量化多个视野（FOV）范围内的视网膜内微血管异常（IRMA），并探索IRMA负荷作为光学相干断层扫描血管成像（OCTA）生物标志物用于糖尿病视网膜病变（DR）严重程度分层以及与视网膜无灌注的相关性。
设计：横断面研究。
受试者：来自181例患者的254只眼，涵盖不同阶段的糖尿病视网膜病变，包括非增殖性糖尿病视网膜病变（NPDR）和增殖性糖尿病视网膜病变（PDR）。
方法：对不同DR阶段的眼睛使用6×6mm、12×12mm和29×24mm扫描进行成像。研究人员训练了一种结合无灌注区（NPA）先验和注意力机制特征重标定的上下文增强U-Net（CE-U-Net），用于在正面所有视网膜层（ARL）OCTA图像上分割IRMA。
主要结局指标：使用病变水平F1分数评估性能，通过组内相关系数（ICC）评估与手动标注真实IRMA计数的定量一致性，并进行Bland–Altman分析。比较不同DR严重程度阶段的IRMA计数，并分析其与无灌注指数（NPI）的相关性。
结果：共分析了254例OCTA扫描（NPDR占60.2%，PDR占39.8%）。CE-U-Net在6×6mm、12×12mm和29×24mm扫描图像上的IRMA分割平均F1分数分别为0.61±0.08、0.71±0.02和0.65±0.05。算法预测的IRMA计数在所有FOV上与真实值具有高度一致性（ICC分别为0.81、0.86、0.82）。OCTA可检测的IRMA在轻度至中度NPDR中即存在，并从轻度至中度NPDR到重度NPDR显著增加，尤其在29×24mm扫描中（p<0.001），随后在PDR中趋于稳定（p=0.72）。在所有DR阶段中，IRMA计数与NPI在12×12mm扫描中表现出最强的相关性（p值分别为0.01、<0.001和<0.001）。
结论：在SS-OCTA上自动分割和量化IRMA在多个FOV（包括超广角UWF扫描）上可行且可重复。通过可靠地捕获临床可见和OCTA可检测的“隐匿性”IRMA，该方法支持IRMA负荷作为DR严重程度分层的定量生物标志物，并推动了基于生物标志物的DR评估。
**论文解读：基于深度学习的糖尿病视网膜病变视网膜内微血管异常自动评估——从扫频源OCTA到多视野量化**
### 研究背景与问题
视网膜内微血管异常（IRMA）是严重非增殖性糖尿病视网膜病变（NPDR）的关键标志，根据ETDRS标准，其存在提示视网膜缺血且进展为增殖性病变的风险较高。然而，传统彩色眼底照相（CFP）对IRMA检测不敏感，而荧光素眼底血管造影（FFA）虽有创且耗时，且染料渗漏会模糊精细结构细节。光学相干断层扫描血管成像（OCTA）以非侵入、深度分辨的三维可视化方式极大提升了IRMA的识别能力，但现有研究多局限于窄视野（如≤12×12mm），无法覆盖中周部视网膜，而超广角（UWF）FFA证据表明大量IRMA位于中周部。此外，IRMA形态高度异质性，手动标注费时且主观性强，深度学习分割面临技术挑战——2022年公开挑战赛中最佳算法Dice系数仅29.53%–47.04%。因此，亟需开发一种能自动、标准化、跨视野量化IRMA的算法，以推动IRMA作为临床实用生物标志物。
### 研究内容与意义
研究人员在《Ophthalmology Science》上发表了一项横断面研究，开发并验证了一种基于深度学习的框架（CE-U-Net），用于在扫频源OCTA（SS-OCTA）上自动分割和量化IRMA，覆盖6×6mm、12×12mm和29×24mm三种视野。研究纳入254只眼（181例患者），其中NPDR占60.2%，PDR占39.8%。结果表明，该算法在多个视野上实现了良好的IRMA分割性能（F1分数0.61–0.71），且算法预测的IRMA计数与手动标注高度一致（ICC 0.81–0.86）。重要的是，IRMA负荷随DR严重程度递增，尤其在29×24mm扫描中从轻中度NPDR到重度NPDR显著增加，并在PDR中趋于稳定。IRMA计数与无灌注指数（NPI）在12×12mm扫描中相关性最强。该研究首次证明了跨视野（包括UWF）自动化IRMA量化的可行性，支持IRMA负荷作为DR严重分层和疗效监测的定量OCTA生物标志物。
### 关键技术与方法
该研究于2024年11月至2025年10月在新加坡陈笃生医院进行，共纳入254只眼。主要技术方法包括：①使用400kHz SS-OCTA设备（VG200，Intalight）获取6×6mm、12×12mm和29×24mm三种扫描，采用所有视网膜层（ARL）的图像用于IRMA分割，并辅以玻璃体视网膜界面（VRI）图像排除新生血管（NV）；②手动标注IRMA，由两名训练有素的评分员根据预设形态学分类（扩张主干、环状、海扇、网状、簇状）进行，并由资深视网膜专家审查裁决，生成共识参考标准；③开发上下文增强U-Net（CE-U-Net），输入包括ARL图像、VRI图像和预先生成的无灌注区（NPA）掩膜，通过注意力机制融合NPA先验，并在解码器中使用空间-通道注意力增强小血管定位；④评估采用五折交叉验证，以病变水平F1分数和组内相关系数（ICC）衡量分割与量化性能，并分析IRMA计数与DR严重阶段及NPI的相关性。
### 研究结果
**3.1 患者特征**：共分析254例OCTA图像，60.2%为NPDR，39.8%为PDR。患者平均年龄约57.7岁，68%为男性，详细基线特征列于表2。
**3.2 不同视野和DR严重程度下的分割性能**：CE-U-Net在6×6mm、12×12mm和29×24mm扫描上的整体F1分数分别为0.61±0.08、0.71±0.02和0.65±0.05。6×6mm与12×12mm（p<0.001）及29×24mm（p<0.001）之间存在显著差异，而12×12mm与29×24mm无显著差异。各视野内，不同DR严重阶段的F1分数无统计学差异，表明算法性能稳定。图3展示了高一致性的分割示例。在PRP和抗VEGF治疗后的PDR示例中，算法预测的IRMA计数减少幅度与手动标注相似，而NPI变化极小。
**3.3 不同视野下的定量性能**：算法预测的IRMA计数与手动标注真实值之间具有良好至极好的一致性，ICC分别为0.81（6×6mm）、0.86（12×12mm）和0.82（29×24mm）。Bland–Altman分析显示总体一致性，算法略倾向于低估（平均差异分别为-0.35、-0.10和-3.52）。人机一致性接近两位人工评分员之间的一致性（ICC 0.82–0.84）。图5展示了手动与算法计数随DR严重程度的变化趋势高度一致。
**3.4 不同视野下IRMA负荷随DR严重程度的变化**：从轻中度NPDR到重度NPDR，所有视野的IRMA计数均增加，但仅在29×24mm扫描中差异具有统计学意义（真实：p<0.001；预测：p<0.001）。从重度NPDR到PDR，6×6mm扫描中IRMA计数继续显著上升（p=0.04、0.01），而12×12mm（p=0.15、0.08）和29×24mm（p=0.72、0.68）无显著增加或趋于稳定。混合效应模型显示，仅年龄与IRMA计数呈显著负相关。
**3.5 不同视野下IRMA负荷与NPI的相关性**：线性回归分析显示，算法预测的IRMA计数与NPI在所有视野中均呈显著正相关（均p<0.001）。分阶段分析显示，在12×12mm扫描中，所有DR阶段均存在显著正相关（PDR最强）；在29×24mm扫描中，仅重度NPDR阶段显著；在6×6mm扫描中，各阶段均未达到统计学显著性。图7展示了IRMA空间分布与NPA区域的重叠。
### 讨论与结论
讨论部分指出，该研究首次在SS-OCTA上实现跨视野（包括UWF）的IRMA自动分割与量化，F1分数达0.61–0.71，优于既往基于Dice系数的极低水平。关键创新在于：①采用F1分数（关注病变检测与定位）而非像素级Dice，更贴合临床需求；②将NPA先验融入模型，利用IRMA常发生于灌流-无灌流交界处的生物学特性；③通过VRI玻璃体视网膜界面图像排除新生血管，显著降低假阳性（误将NV分为IRMA）率（6.9%–15.9%）。算法预测的IRMA计数与手动标注高度一致，且随DR严重程度递增的趋势与已知疾病进展一致，支持IRMA负荷作为定量生物标志物。此外，在治疗前后示例中，IRMA计数比NPI更敏感地反映治疗反应，提示其可作为疗效监测指标。
**结论**：本研究开发并验证了一种新型深度学习算法（CE-U-Net），用于SS-OCTA（包括UWF扫描）上IRMA的自动分割。该模型在这一形态学挑战性任务中取得了良好表现，并与手动标注的真实值高度一致。这些发现支持自动化IRMA量化在DR严重程度分层和治疗反应追踪中的潜在临床价值。未来工作将聚焦于更广泛的外部验证、纵向验证以及IRMA形态学亚型分析，以改善预后分层并支持基于定量生物标志物的DR管理。
