编者按：视网膜的血管网络的完整性和正常功能对维持视力至关重要，糖尿病视网膜病变（DR）在内的多种眼底疾病，以及一些心血管疾病等都会导致视网膜血管网络出现异常变化，进而损害视力。及时准确检测和诊断视网膜血管网络的异常变化对于及早发现和治疗相关的眼部疾病具有重要意义。在ARVO2025会议上，来自美国田纳西州纳什维尔范德比尔特大学医学院的Lok Hin Lee分享了一项临床研究，评估基于深度学习的血管分割算法与传统分割算法对糖尿病患者OCTA图像定量指标的影响，并探讨不同分割算法在不同糖尿病视网膜病变分期中获取指标的差异性。

该前瞻性研究分析了164例糖尿病患者浅层及深层视网膜的OCTA图像。根据ETDRS标准将患者分为无糖尿病视网膜病变（NADR）、轻/中/重度非增殖期糖尿病视网膜病变（NPDR）及增殖期糖尿病视网膜病变（PDR）组。采用两种血管分割技术进行对比：传统分割算法基于文献验证的流程，包含全局/局部阈值分割、顶帽变换、Hessian滤波、局部中值阈值处理及骨架化等步骤；深度学习分割算法使用基于合成OCTA图像训练的开源模型，并在非糖尿病眼公共数据集验证（图1）。评估指标包括血管密度（VD）、骨架密度（SD）、平均血管管径（AVC），采用Pearson相关系数评估不同分割算法所得指标的一致性。

结果显示，与传统分割算法相比，基于深度学习的分割算法在所有DR分期中均获得更高的浅层/深层VD与AVC测量值（深层差异最显著，P<0.001），而SD值则更低且更均匀（深层差异最显著，P<0.0001）。传统分割算法的SD指标存在更大变异性（P<0.01）。尽管存在系统性差异，各指标在两种方法间呈现高度相关性（VD:r=0.87；AVC:r=0.80；SD:r=0.93）。

研究结论

基于眼底图像进行视网膜血管网络分割，能够提取出丰富的定量指标，为眼底病变的诊断和监测提供客观依据。尽管深度学习算法技术为血管网络分割带来更精准高效的途径，但研究显示传统与深度学习算法在糖尿病患者OCTA图像定量分析中具有高度相关性。两种技术均能有效捕捉DR相关微血管改变，表明传统图像处理技术仍可与先进深度学习方法协同应用于OCTA血管分割。

思考与启示

Lok Hin Lee在采访中详细阐述了这一研究背后的重要意义以及带来的指示。他指出，“目前我们发现，即使在糖尿病患者尚未出现临床可检测的糖尿病视网膜病变的阶段，其OCTA血管量化指标已产生变化。这意味着，当糖尿病患者尚未出现临床上可检测的糖尿病视网膜病变时，我们已能通过OCTA观察到血管系统的差异。这提示我们可以对此类患者进行更早期的筛查（略早于传统检测窗口期）并适当提高随访频率，从而在组织损伤的早期阶段及时发现病理改变。这也提示我们，仅具备眼科学专业背景而试图钻研这一研究领域是不够的。研究人员需同时深度追踪生物医学工程领域的最新研究进展，系统掌握该领域的核心知识体系。唯此，方能在多学科协作中实现有效沟通与技术整合，为眼底病患者带来更多早筛早防早诊的契机”。

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。