光学相干断层扫描血管成像的智能分层：深度学习算法在近视脉络膜新生血管早期识别中的突破

在青少年近视率持续攀升的背景下，高度近视引发的眼底并发症——尤其是脉络膜新生血管（CNV）——已成为威胁视力的重要因素。早期识别 CNV 是防止不可逆视力损伤的关键，而光学相干断层扫描血管成像（OCTA）凭借其无创、高分辨率的三维血流成像能力，正逐步成为近视 CNV 筛查的核心工具。然而，OCTA 图像的手动分层耗时且依赖专家经验，难以满足大规模筛查的需求。近年来，基于深度学习的算法在 OCTA 智能分层与 CNV 自动检测中取得突破性进展，为视光中心的标准化升级和青少年近视防控提供了技术支撑。  传统 OCTA 分层依赖于设备自带的算法，但在高度近视眼球形态变异的情况下，内界膜、视网膜色素上皮（RPE）等层次的自动分割常出现偏差。最新研究采用改进的 U-Net 架构，结合注意力机制和边缘感知损失函数，实现了对近视眼 OCTA 图像中视网膜层与脉络膜毛细血管层的精准分割。例如，中山眼科中心团队在《眼科》期刊发表的研究中，利用深度卷积神经网络在超过 5000 例近视患者的 OCTA 数据上进行训练，分层精度达到了 98.7%，显著优于传统算法，尤其在后极部葡萄肿区域的分割鲁棒性得到提升。 在分层准确的基础上，算法进一步提取脉络膜毛细血管层的血流特征，如血管密度、血流空隙面积和分形维数。结合临床数据（眼轴长度、屈光度），采用多模态融合的 3D 卷积神经网络（CNN）对 CNV 进行早期识别。在近期全国眼科学术会议上报道的一项多中心验证中，该模型在检测Ⅰ型 CNV 的敏感度和特异度分别达到 96.2% 和 94.5%，并能提前 3-6 个月预警 CNV 的发生，为临床干预赢得宝贵时间。 这一技术已在部分视光中心试点应用，与标准化视光档案建设相结合。通过部署于云端或边缘设备的轻量化模型，基层机构也能快速完成 OCTA 分层与 CNV 风险评估，结果自动同步至青少年近视防控大数据平台，辅助多部门协同决策。同时，联邦学习框架的引入确保了不同机构间的数据隐私，促进多中心研究协作，进一步优化算法性能。 深度学习驱动的 OCTA 智能分层不仅提升了近视 CNV 的早期诊断效率，也为个性化近视防控提供了新的生物标志物。随着算法可解释性的增强和监管政策的完善，这一技术将加速在眼科医院和视光中心的落地，成为青少年近视防控体系中不可或缺的一环。