编者按：随着人口老龄化趋势的加剧，年龄相关性黄斑变性（AMD）已成为全球范围内导致不可逆视力丧失的主要原因之一。近年来，人工智能（AI）技术在眼科领域的应用取得了显著进展，为AMD的早期诊断、治疗方案选择及预后评估提供了新的工具和思路。在2025年ARVO会议上，关于AI在AMD应用的研究报告引起了广泛关注。这些研究展示了AI在AMD的分期、可见生物标志物检测、进展预测、转诊建议和治疗预后评估等方面的应用潜力，为该领域的发展带来了启示和指导。

核心内容提要

1.专科生成式视觉语言模型能基于视网膜OCT图像，精准生成关于AMD分期、转诊建议和可见生物标志物的详细文本报告，在疾病分期和患者转诊任务中表现优于医学通用模型，与眼科专家水平旗鼓相当，在AMD临床管理中潜力巨大。

2.基于深度学习的生物标志物量化方法可高精度预测早/中期AMD向晚期转化，在GA预测中与人工评估相当，在渗出性AMD预测中更具优势。

3.来自中国的孔明模型在预测nAMD患者抗VEGF治疗的视力与解剖预后方面展现出卓越性能，其预测准确性超越经验丰富的眼科医生，为抗VEGF治疗带来更精准的指导。

用于AMD临床管理的专科医学生成式视觉语言模型

在眼科临床实践中，医生需要花费大量时间解读各种眼科图像，并撰写详细的诊断报告。这一过程不仅耗时，而且对医生的专业技能和经验要求极高。长时间的图像分析和报告撰写可能导致医生工作效率降低，甚至可能影响诊断的准确性和及时性。视觉语言模型（VLMs）的发展为解决上述问题提供了新的可能性。VLMs能够自动解读图像并生成文本摘要，这为眼科影像分析带来了革命性的变化。然而现有模型多基于互联网非结构化数据训练，缺乏眼科专业知识，诸如医学通用模型（如Med-Flamingo和LLaVA-Med）在眼科领域的应用仍存在不足，在处理特定领域的复杂图像和生成专业性强的文本时，表现还不够理想，具体表现为准确性不足、专业性欠缺、高质量的标注数据相对有限。但本研究提出一种策略，通过结构化训练课程使VLMs掌握老年性黄斑变性（AMD）临床管理相关的真实临床任务。

Martin Menten等眼科专家构建了包含41,926张OCT图像和479,710个视觉问答对的专业训练数据集。这些问答对基于表格化报告和文本报告生成，覆盖AMD临床管理所需的核心知识。使用该数据集训练了RetinaVLM模型，其架构整合了预训练的OCT图像编码器和开源的Llama 3语言模型。通过输入OCT图像和问题、输出正确答案的指令微调，RetinaVLM可灵活处理AMD疾病分期、患者转诊和生物标志物分析等任务。评估中，将其与通用医学VLMs（Med-Flamingo、LLaVA-Med）及人类眼科医生对比。

结果表明，RetinaVLM能基于视网膜OCT图像，精准生成关于AMD分期、转诊建议和可见生物标志物的详细文本报告。在疾病分期（F1分数0.63 vs. 0.11和0.07）和患者转诊（0.67 vs. 0.01和0.39）任务中，其准确性显著优于通用医学VLMs（均P<0.001），并接近眼科专家水平（专家得分分别为0.77和0.78）。此外，RetinaVLM对10种AMD生物标志物的检测能力也优于LLaVA-Med和Med-Flamingo。

结论

人工智能在医疗领域的真正价值不在于其规模，而是其专业知识的深度与针对性。通用模型缺乏专业领域的知识，就像未经训练的医生无法处理复杂的疾病，只有通过专门的培训才能达到临床实用水平。真正的医疗AI需要超越互联网数据的局限，融入临床医生的专业经验，才能真正解决实际问题。RetinaVLM的表现为开发具有真实临床效用的VLMs提供了蓝图，有望提升患者获得高质量医疗的机会。结果同时也表明，仅扩大数据规模不足以提升临床实用性，需结合与临床挑战直接相关的高质量训练课程。

标题：Specializing vision-language models for the clinical management of age-related macular degeneration

摘要编号：863

作者：Martin Menten, Robbie Holland, Tom Taylor, Christopher Holmes, Sophie Riedl, Julia Mai, Maria Patsiamanidi, Dimitra Mitsopoulou, Paul Hager, Philip Müller, Johannes Paetzold, Hendrik P. Scholl, Hrvoje Bogunovic, Ursula Schmidt-Erfurth, Daniel Rückert, Sobha Sivaprasad, Andrew J. Lotery

基于深度学习的中期AMD生物标志物量化及其对地图样萎缩与渗出性AMD的预测

随着人口老龄化加剧，AMD已成为全球范围内导致不可逆视力丧失的主要原因之一。特别是对于中期AMD患者，早期识别和干预至关重要，因为这可以延缓疾病进展并改善治疗效果。同时随着新型疗法上市及更多疗法进入研发管线，大规模人群AMD筛查需求日益增长，且更为紧迫。然而，传统的基于医生经验的诊断方法耗时且依赖主观判断，难以满足大规模人群筛查的需求。因此，利用深度学习（DL）技术实现快速、准确的AMD筛查显得尤为重要。

本研究开发了一种基于DL的算法，可在彩色眼底图像（CFI）上自动检测、分割和量化中期AMD相关生物标志物（如玻璃膜疣、网状假性玻璃膜疣及色素异常），用于构建向地图样萎缩（GA）或渗出性AMD转化的预测模型。
该预测模型分析基于鹿特丹研究（一项前瞻性人群队列研究）中8,890名45岁及以上参与者的17,605只眼睛的37,240张CFI图像。应用自主研发的深度学习模型自动检测、分割和量化中期AMD相关影像生物标志物，并基于此输出训练随机森林分类器，预测七年内转化为GA和/或渗出性AMD的风险。同时构建人工专家标注标签的对照模型，通过受试者工作特征曲线下面积（AUC）评估模型性能。
结果显示，七年随访期间，共313只眼睛进展为晚期AMD，包括173例GA、172例渗出性AMD及32例混合型晚期AMD。基于DL的预测模型在GA转化预测中与人工标注模型性能相当（DL模型AUC 0.867 [0.824-0.904] vs. 人工模型0.893 [0.859-0.923]），而在渗出性AMD（DL模型0.821 [0.775-0.865] vs. 人工模型0.730 [0.679-0.780]）和整体晚期AMD（DL模型0.883 [0.854-0.909] vs. 人工模型0.849 [0.815-0.878]）预测中表现更优。

结论

基于深度学习的预测模型可高精度预测早/中期AMD向晚期转化，在GA预测中与人工评估相当，在渗出性AMD预测中更具优势。该模型可作为快速、客观的预后评估工具，用于高危人群筛查、流行病学研究、临床管理及患者分层试验。

标题：Deep learning-based quantification of intermediate age-related macular degeneration biomarkers for predicting geographic atrophy and exudative AMD

摘要编号: 862

作者：Haras Mhmud, Eric F. Thee, Jeroen Vermeulen, Bart 2,3, Caroline C W Klaver

抗VEGF治疗nAMD视觉与解剖预后的深度学习模型开发与验证（孔明研究）：一项前瞻性全国多中心研究

抗VEGF疗法是治疗新生血管性老年性黄斑变性（nAMD）的主要方法，其经济负担与疗效不确定性，使nAMD患者对治疗望而却步，亟需一种能够准确预测预后的方法。本研究旨在开发并验证一种DL模型，用于预测接受抗VEGF治疗的nAMD患者的短期、中期及长期视觉和解剖预后，为医生提供个性化的治疗建议，从而优化治疗方案并提高患者满意度。

这项前瞻性全国多中心研究纳入中国12个省份18家医院、采用3+PRN方案接受抗VEGF治疗的nAMD患者数据。开发基于Transformer架构的孔明模型（KongMing Model），预测短期（3个月）、中期（6个月）及长期（12个月）的视力（VA）和解剖学（OCT）结局。
视觉预后通过AUC、精确度、灵敏度、特异性及人机对比评估；视力绝对值预测采用平均绝对误差（MAE）；治疗后OCT图像通过相似性分析验证。热图与SHAP分析解析关键预后特征。
研究使用1,240例患者的33,350张OCT图像作为内部数据集，248例患者的6,830张OCT图像作为外部验证集。模型在预测短/中/长期视力变化时均显示出优异AUC值（≥0.94），在人机对比中显著优于眼科专家（P<0.05）。治疗后视力绝对值预测中，内部与多中心测试的MAE仅为0.048-0.058。治疗后OCT图像预测与实际影像高度一致。热图与SHAP分析有效识别出nAMD的预后关键特征。

结论

孔明模型在预测nAMD患者抗VEGF治疗的视力与解剖预后方面展现出卓越性能，其预测准确性超越经验丰富的眼科医生。该模型为制定个体化抗VEGF治疗方案提供了一种稳健、非侵入且高度可及的解决方案，有望提升患者依从性并减轻公共卫生系统负担。

标题：Development and Validation of a Deep-Learning Model to Predict Visual and Anatomical Prognosis of Anti-VEGF Therapy for Neovascular Age-Related Macular Degeneration (KongMing Study): A Prospective, Nationwide, Multi-center Study

摘要编号: 867

作者：Xinyu Zhao

总结

通过这三项研究，我们可以看到AI在眼科领域的巨大潜力和应用价值。未来，随着技术的不断进步和跨学科合作的加强，AI将在AMD的诊断、治疗和预后评估中发挥更大的作用，将成为眼科临床实践中不可或缺的重要工具，为全球数百万AMD患者带来新的希望。

声明：本文仅供医疗卫生专业人士了解最新医药资讯参考使用，不代表本平台观点。该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议，如果该信息被用于资讯以外的目的，本站及作者不承担相关责任。