随着眼底影像技术的飞速发展，OCTA（光学相干断层扫描血管成像）已成为评估脉络膜新生血管（CNV）的金标准。然而，如何从海量的OCTA图像中挖掘出预测CNV生成与抗VEGF治疗反应的关键生物标志物，仍是临床亟待解决的难题。近期，一项发表于《Ophthalmology》的多中心研究利用深度学习与影像组学方法，对超过2000例年龄相关性黄斑变性（AMD）患者的OCTA图像进行了分析，成功构建了CNV发生风险的预测模型，AUC达到0.92。该模型不仅纳入了传统的CNV面积、血流密度等参数，还创新性地提取了脉络膜毛细血管层与深层血管复合体的纹理特征，揭示了微循环紊乱在CNV生成中的核心作用。
在临床应用中，该模型可将患者分为高、中、低风险组，为个性化随访与早期干预提供了依据。对于高风险患者，可缩短OCTA复查间隔，并考虑预防性抗VEGF治疗；而低风险患者则避免过度治疗，节约医疗资源。此外，研究团队还开发了基于AI的实时分析平台，可在OCTA扫描后30秒内输出风险报告，显著提升了诊疗效率。
这一突破标志着眼科影像组学正从科研工具走向临床落地。未来，随着多模态数据融合与迁移学习的应用，影像组学模型有望在真实世界中对CNV生成进行动态监测和精准干预，实现从“被动治疗”到“主动预防”的转变，为眼底病的慢病管理开启新篇章。
**关键词**：OCTA、影像组学、人工智能、脉络膜新生血管、抗VEGF治疗、精准医学