近年来，眼科光学相干断层扫描（OCT）技术飞速发展，已成为视网膜疾病诊断的金标准。随着深度学习算法的不断进化，OCT图像分析正从简单的层分割迈向全自动的疾病检测与预测，尤其在国际眼科学术会议和核心期刊中，相关研究呈井喷之势。
在2024年ARVO会议上，一项基于扩散模型（Diffusion Model）的OCT图像超分辨率重建研究引发关注。该算法通过学习低分辨率到高分辨率图像的映射，能在不增加扫描时间的前提下，将OCT B-scan图像的分辨率提升4倍，清晰显示光感受器内节/外节（IS/OS）连接等细微结构，这对于早期黄斑病变的诊断至关重要。同时，结合Transformer架构的OCT分割网络，在视网膜层边界检测上达到了人工标注级别的精度，实现了对神经纤维层、节细胞层的自动厚度测量，为青光眼和视神经疾病的纵向监测提供了可靠工具。
此外，自监督学习（Self-Supervised Learning）在OCT分析中展现出巨大潜力。传统监督学习依赖大量人工标注，而自监督方法通过设计前置任务（如对比预测编码、掩码图像建模），从未标注的OCT体积数据中学习通用特征表示。一项发表于IOVS期刊的研究表明，基于掩码自编码器（MAE）预训练的模型，在下游的糖尿病性黄斑水肿（DME）分级任务中，仅需少量标注样本即可达到与全监督模型相媲美的性能，有效缓解了眼科影像标注昂贵、耗时的问题。
更值得关注的是，3D OCT数据的时序分析正在开辟新方向。利用视频理解领域的时空Transformer或卷积LSTM，算法可分析连续随访的OCT体积序列，捕捉亚临床的病变进展模式。例如，在近视防控领域，通过分析脉络膜厚度的动态变化，模型能够预测儿童眼轴增长的速率，提前识别高风险个体，从而辅助临床制定个性化干预方案。这种基于时序图像的AI预测，有望将视网膜影像从“解剖快照”升级为“功能预告”。
从技术趋势看，AI与OCT的融合正从二维分析向三维时序、从单模态向多模态（如OCTA、眼底照相）发展，并更加注重模型的泛化性和可解释性。国际视光论坛上，专家们呼吁建立标准化的OCT数据共享平台，推动算法的跨设备、跨种族验证。可以预见，随着AI算法不断突破，OCT将不仅是眼底结构成像工具，更将成为全身性疾病（如阿尔茨海默病、糖尿病）的风险评估窗口，真正实现眼科与全身健康的智能连接。