自监督对比学习在无标注OCT影像中的视网膜层分割突破：零样本临床迁移新范式

在眼科影像分析领域，OCT（光学相干断层扫描）凭借其微米级分辨率成为视网膜疾病诊断的金标准。然而，高精度的OCT影像分析高度依赖像素级标注，尤其对视网膜层分割任务，逐层勾画耗时费力，且专家间差异显著。随着AI算法从监督学习向自监督学习范式跃迁，一种基于对比学习的视网膜层分割方法正在打破标注壁垒，实现从零样本到临床部署的快速迁移。 传统U-Net等分割模型在单一设备、特定参数下训练后，往往难以泛化至新设备或罕见病理。2024年ARVO会议上的一项多中心研究显示，在五种主流型号OCT设备间跨域测试时，监督模型的Dice系数平均下降23%。而自监督对比学习通过预训练阶段学习图像内及图像间层次结构的固有表征，无需任何标注即可捕捉视网膜层的连续性、对称性等先验知识。近期《Ophthalmology Science》发表的工作提出“跨层对比学习框架”（CL-Seg），在预训练时强制模型区分不同深度层的纹理特征，并通过跨切片时序一致性增强层边界敏感性，下游微调仅需5例标注即可达到传统模型100例标注的性能。  更具突破性的是“零样本迁移”临床场景。利用文本-图像对齐技术（如CLIP的医学扩展），模型可通过诊断报告中的描述性语言直接定位病灶层。例如，输入“神经上皮层脱离，累及外核层”，算法自动在无标注OCT中勾画出外核层边界并标记脱离区域。北京同仁医院与中山眼科中心联合验证显示，该方案在PCV、DME等复杂眼底病中的层分割准确率达93.4%，与高年资医师手动标注一致性Kappa值0.87。 算法层面，对比学习范式的关键在于构建正负样本对。传统方法将同一患者不同B-scan视为正样本，不同患者视为负样本，但易受扫描位置偏差影响。新范式引入“层敏感增强”：通过非线性灰度变换模拟不同设备成像特性，同时保持层的拓扑结构，使模型学习设备不变表征。结合Transformer的长程依赖建模，模型对玻璃疣、积液等病变造成的层破坏具有天然鲁棒性。训练在4×A100 GPU集群上仅需8小时，推理速度在边缘设备上达45 fps，可实时部署于视光中心和基层医院。 这一技术加速了青少年近视防控中的脉络膜分析。随着近视进展，脉络膜厚度变薄已被证实为风险标志物，但手动测量可重复性差。自监督模型可在无标注的EDI-OCT图像中自动提取脉络膜全层形态，并追踪厚度变化。温州医科大学附属眼视光医院利用该技术分析了3000例青少年近视档案，发现近视进展快（年增长>0.75D）的患者脉络膜变薄速率是稳定组的1.8倍，为光学干预时机提供了客观依据。 此外，自监督学习与联邦学习结合，正构建隐私保护的跨中心OCT预训练基础模型。各视光中心在本地更新模型后上传梯度，中央服务器聚合形成“视网膜基础表征”，在不共享原始数据的前提下实现模型持续进化。目前已覆盖12省市、38个视光中心，月增量数据10万例OCT，成为区域近视联防联控的算法底座。 未来，自监督对比学习将进一步与多模态（眼底彩照、生物测量数据）融合，构建“结构-功能”一体化表征，推动眼科AI从单任务辅助走向全流程认知。当标注不再是门槛，算法才能真正渗透至筛查、诊断、随访每一个环节，照亮精准眼健康管理的最后一公里。