核心发现
由光学相干断层扫描数据训练的深度学习模型成功区分了青光眼、非动脉性前部缺血性视神经病变（NAION）和视神经炎等视神经损伤类型。虽然模型对视神经炎的识别仍存在技术挑战，但在区分健康眼睛与病变眼睛方面展现出优异性能。
研究方法
- 研究团队通过多中心临床试验和转诊中心数据，验证了三维深度学习模型在视神经乳头光学相干断层扫描中的诊断能力。
- 数据集包含1382只眼睛的7014次扫描，涵盖青光眼患者（n=113）、NAION患者（n=391）、视神经炎患者（n=163）及健康对照组（n=715）。
- 模型训练采用三种设置：全扫描体积分析、乳头周区域聚焦分析、视神经乳头区域单独分析。
关键数据
- 全扫描模型总体准确率达88.9%，宏平均曲线下面积0.977，F1分数分别为青光眼0.94、NAION0.87、视神经炎0.78、健康眼睛0.91。
- 其他两种模型准确度均超85%，曲线下面积约0.97，显示良好诊断性能。
- 视神经炎诊断准确度最低（F1分数0.71-0.78），部分被误判为NAION或健康眼睛。纤维层较薄者易被归为NAION，接近正常厚度者易被归为健康。
- 激活图显示不同疾病在视网膜神经纤维层、视网膜色素上皮层的特征性结构改变。
临床意义
研究团队指出："我们的发现表明视神经疾病具有特征性萎缩模式，这对缺乏明确诊断的回顾性病例具有重要价值。虽然临床医生常因不同疾病的重叠特征难以通过视网膜神经纤维层厚度模式进行诊断，但本工具可有效识别疾病特异性特征。"
同期配发的社论强调："这项研究不仅实现了健康眼与病变眼的区分，更重要的是建立了疾病分型的精细识别体系。经过优化后，该技术有望发展为跨设备、跨系统的全球性视神经病变分类算法。"
研究细节
- 主持机构：纽约西奈山伊坎医学院David Szanto团队
- 发表期刊：《美国医学会眼科学杂志》（JAMA Ophthalmology），2025年8月21日在线发表
研究局限性
- 每种疾病的扫描数据量相对有限，特别是视神经炎病例
- 数据地域局限：青光眼数据来自爱荷华大学健康系统，视神经炎数据来自纽约单一神经眼科诊所
- 疾病组的视觉功能损害程度未进行匹配
资金来源
研究获得纽约眼耳科慈善基金会、国家眼科研究所、防盲研究会等机构资助。部分作者披露了与相关企业的资助联系及专利持有情况。
【全文结束】
