基于深度学习的外层视网膜结构自动化分割与定量分析——健康眼与地图样萎缩眼的椭圆体区及视网膜色素上皮-Bruch膜复合体研究

《Diagnostics》：Deep Learning-Based Automated Segmentation and Quantification of the Ellipsoid Zone and the RPE–Bruch’s Membrane Complex in Healthy Subjects and in Geographic Atrophy

　　

目的：本研究旨在验证一种深度学习算法，用于健康眼与地图样萎缩（GA）眼中椭圆体区（EZ）及视网膜色素上皮（RPE）-Bruch膜（BM）复合体的自动化分割与定量评估。方法：在这项回顾性研究中，研究人员分析了30只健康眼和30只GA眼的光谱域光学相干断层扫描（SD-OCT）容积扫描数据。采用NMI-Outer Retina Analyzer对内侧EZ、内侧RPE及外侧BM进行分割。计算整个容积及九个早期治疗糖尿病视网膜病变研究（ETDRS）分区层面的EZ-RPE、EZ-BM和RPE-BM平均厚度。由两名_masked_专家分级医师对手动分割进行校正，并使用组内相关系数（ICC）进行比较。采用Dice系数（DC）、Pearson相关系数及绝对厚度差异评估自动分割与手动分割的一致性。生成热图以直观显示厚度分布。结果：共纳入30只健康眼和30只GA眼进行分析。健康眼的EZ-RPE、EZ-BM和RPE-BM平均厚度分别为47.55±6.75 μm、69.49±6.92 μm和21.94±3.46 μm；GA眼则分别为15.65±11.09 μm、39.18±23.28 μm和23.52±16.21 μm。该模型显示出较高的分割准确性，健康眼的平均DC为0.998，GA眼为0.995–0.998。在健康眼中，自动测量与手动测量的差异极小（EZ-RPE为1.42±3.39 μm（2.98%），EZ-BM为1.31±3.18 μm（1.88%），RPE-BM为0.67±1.71 μm（3.05%）），均在金标准（手动校正）的1.88–3.05%范围内。相比之下，GA眼显示出更大的变异性（EZ-RPE平均差异为3.61±8.62 μm（23.06%），EZ-BM为4.28±11.34 μm（10.92%），RPE-BM为4.4±10.45 μm（18.71%））。热图显示萎缩周围交界区变异性增加。在GA眼中，自动测量与手动测量在所有分区均显示出强相关性（EZ-BM的r=0.97，EZ-RPE的r=0.96，RPE-BM的r=0.89）。结论：NMI-ORA能够实现对外层视网膜结构的准确自动化分割与定量分析，其性能与专家分级医师相当。

研究背景与目的

年龄相关性黄斑变性（AMD, Age-related Macular Degeneration) 是全球老年人视力丧失的首要原因，影响约2亿人，预计到2040年患病率将达到2.88亿。地图样萎缩(GA, Geographic Atrophy) 是AMD的晚期阶段，与不可逆性视力丧失相关。近期，两种玻璃体腔注射药物——培加他考普兰（pegcetacoplan, Syfovre) 和阿伐西普他 pegol (avacincaptad pegol, Izervay) 已获得美国食品药品监督管理局(FDA, Food and Drug Administration)批准用于GA治疗，针对已确立萎缩和视力下降的成年患者。然而，目前对于AMD早期阶段尚无有效干预手段，而此阶段的治疗可能对预防GA进展和后续视力丧失具有最大潜力。

GA以外层视网膜和视网膜色素上皮(RPE, Retinal Pigment Epithelium)的完全丧失为特征。外层视网膜变性先于RPE丢失，且萎缩周围交界区(junctional zone)日益受到关注。椭圆体区(EZ, Ellipsoid Zone)作为外层视网膜完整 beat中最受关注的生物标志物，既往称为内节-外节(IS/OS)连接，代表光感受器内节与外节的界面，是光学相干断层扫描(OCT, Optical Coherence Tomography)上四个高反射外层视网膜带之一。由于光感受器线粒体在椭圆体部分的高浓度分布，EZ在OCT上呈现为清晰的高反射带。

随着新药的研发，临床出现了从眼底自发荧光(AF, Fundus Autofluorescence)向OCT及en face OCT转变的范式转移，以更好地定量光感受器和RPE丢失。人工智能(AI, Artificial Intelligence) 特别是深度学习(DL, Deep Learning) 在医学影像领域的应用日益广泛，能够提高效率、减轻临床医师工作负担并实现快速准确的定量评估。然而，外层视网膜带的准确识别与分割仍具挑战性，尤其对于病变眼；且由于标注工作耗时且易导致标注者疲劳，高质量大规模标注数据集有限，限制了先进DL模型的训练。此外，现有DL研究多集中于EZ和RPE丢失或衰减区域的量化，而对平均厚度参数的定量评估探索相对不足。基于此，研究人员验证了一种工具，旨在实现健康眼和GA眼中EZ及RPE-BM复合体的近准确分割和定量评估，以期应用于未来临床试验和临床实践。本文发表在《Diagnostics》期刊。

关键技术方法

本研究采用回顾性设计，样本来源于匹兹堡大学医学中心眼科的60例患者60只眼，其中30只为55岁以上健康眼，30只为AMD相关GA眼（为避免双眼相关性偏倚，每位患者仅纳入一只眼）。扫描数据来自机构影像数据库的存档SD-OCT容积扫描（Heidelberg Spectralis系统），获取时间为2025年1月15日至2025年3月30日。健康眼采用49线扫描方案，GA眼采用97线扫描方案，均覆盖以黄斑中心凹为中心的6×6 mm区域。研究人员使用NMI-ORA（Version 1.0）软件进行自动化分割，该算法采用双模块框架：第一模块整合深度学习、伪标签策略与传统图像处理方法进行视网膜层分割；第二模块为GA分割深度学习模型，检测GA区域并依病理特征对齐EZ、RPE与BM边界。随后，两名_masked_经验丰富的分级医师(NH和GG)对自动分割结果进行必要的手动校正，任何分歧由资深作者(JC)裁决。采用ICC评估分级者间一致性，DC评估自动与手动分割的一致性，Pearson相关系数评估厚度测量值的相关性，并进行Bland-Altman分析。通过热图可视化厚度分布，在容积层面和九个标准化ETDRS（早期治疗糖尿病视网膜病变研究，Early Treatment Diabetic Retinopathy Study)子域层面计算EZ-RPE、EZ-BM和RPE-BM三种厚度参数。

研究结果

**样本基线与厚度测量**

共60例患者60只眼纳入最终分析。健康亚组（30眼）平均年龄63.11±6.46岁，女性占53.3%；GA亚组（30眼）平均年龄72.21±10.41岁，女性占70%。GA眼的平均GA面积为8.57 mm²，EZ总丢失面积为13.29 mm²。健康眼的EZ-RPE、EZ-BM和RPE-BM平均厚度分别为47.55±6.75 μm、69.49±6.92 μm和21.94±3.46 μm；GA眼则分别为15.65±11.09 μm、39.18±23.28 μm和23.52±16.21 μm。健康眼的EZ-RPE平均容积为1.71±0.24 mm³，GA眼为0.56±0.38 mm³。

**分割准确性与一致性评估**

该分割方法与视网膜专家水平相当，仅少数扫描在B八分选点处需要手动校正。两名手动分级者间的ICC为0.97（95% CI: 0.94–0.99）。健康眼中，手动与自动层厚度测量的平均差异为：EZ-RPE 1.42±0.63 μm（2.98%），EZ-BM 1.31±0.56 μm（1.88%），RPE-BM 0.67±0.39 μm（3.05%），均在金标准的1.88–3.05%范围内。GA眼中变异性较高，平均差异分别为：EZ-RPE 3.61±1.53 μm（23.06%），EZ-BM 4.28±0.86 μm（10.92%），RPE-BM 4.4±2.55 μm（18.71%）。绝对厚度差异的热图分析显示，萎缩周围交界区是导致两种测量差异较大的主要区域。

健康组的平均DC为0.998（三个边界）；GA组为0.995–0.996。按ETDRS网格分区评估时，EZ-BM的平均绝对厚度差异为0.58–1.31 μm，EZ-RPE为0.78–1.39 μm，RPE-BM为0.49–0.91 μm，内鼻侧及所有外环分区变异性较高。GA眼中自动与手动测量在全部外层视网膜厚度参数上均显示强相关性：EZ-BM的r=0.969（p=1.540×10^-18，n=30），EZ-RPE的r=0.957（p=1.548×10^-16，n=30），RPE-BM的r=0.890（p=4.817×10^-11，n=30）。Bland-Altman分析显示两种方法具有良好的一致性，健康眼的一致性优于GA眼，GA眼的EZ相关测量显示更宽的置信区间和更大变异性。

讨论与结论

本研究展示了一种基于深度学习的高性能自动化模型，用于健康眼和AMD相关GA眼中EZ及RPE-BM的分割。结果表明，自动分割和厚度测量与经验丰富的视网膜分级医师的手动标注高度接近，健康眼的DC为0.998，GA眼为0.995–0.998。

与既往研究相比，该模型性能更优。Miranda等报告的EZ分割DC仅为0.783，而其他针对RPE内边界和BM的模型DC为0.76–0.87。本研究的关键优势在于实现了EZ厚度而非仅EZ丢失区域的精确定量，这可能增强临床试验的应用价值，通过提供定量测量而非简单将区域分类为部分或完全衰减，从而允许评估不同级别的EZ风险。

GA患者中自动与手动分割的变异性大于健康对照，尤其在交界区，热图上观察到高达25 μm的差异。这反映了该区域的沉积物或外层视网膜形态的急剧变化。由于交界区是GA试验的关键关注区域，对该区域EZ和其他外层视网膜层的分析尤为重要。尽管绝对变异性较小，但相对百分比变化显著， minimal manual correction 在这些位点可提高准确性。

该工具的另一关键优势是允许手动校正，使人类分级者能够验证自动分割的准确性并在需要时进行修正。自动与手动校正厚度测量之间的差异极小（1.88–3.05%），且小于Spectralis SD-OCT系统的轴向分辨率，提示部分变异可能不代表真实解剖学差异。手动校正所需时间从数小时大幅缩减至不足15分钟，即使在质量较差的OCT容积中亦是如此。该模型还能生成热图，允许独立测量EZ和RPE的衰减与丢失，并可进一步分层为不同风险级别，可作为主要临床试验的生物标志物，为眼底自发荧光提供替代方案。

研究局限性包括：模型训练和验证仅使用单一OCT设备（尽管该设备广泛使用且常用于临床试验）；样本量较小，但算法使用了外部验证数据集进行训练和测试；极高的DC可能因数据集特征和有限异质性而存在性能高估风险；以及存在锚定偏倚的可能性（手动校正在自动分割基础上进行而非完全从头手动分割）。这些局限性需要在解释结果时予以考虑。

研究结论：研究人员提出了一种新颖的、完全自动化的深度学习方法，用于从OCT扫描中检测、量化和分类地图样萎缩。该模型的预测性能与临床专家相当，有望支持患者管理和标准化临床试验终点，从而促进GA新疗法的开发。