研究人员基于CFP建立深度学习模型，在实现PM识别的前提上，进一步完成近视性黄斑病变分类及相关病灶分割，Hemelings团队基于PALM数据集构建CNN模型，实现了PM检测及近视相关病灶的语义分割，提示深度学习可同时服务于PM筛查和病灶定位。研究人员进一步基于眼底照片建立深度学习模型，用于识别不同类型近视性黄斑病变，并构建META-PM自动分级系统，使PM自动识别进一步扩展至疾病分型和严重程度评估。在此基础上，后续研究又将“plus”病变检出纳入分析过程，使自动判读由PM识别和黄斑病变分级进一步扩展至更完整的临床分型。
 

Lu团队人员基于彩色眼底图像训练AI模型，实现PM自动识别、近视性黄斑病变分类及“plus”病变检测，并在外部验证集中表现接近专家水平。上述研究表明，基于CFP的AI系统已可从单纯PM识别拓展至META-PM分级、并发病灶定位和“plus”病变检测，为PM筛查及转诊决策提供辅助依据。PM还常伴随后极部形态异常，尤其以后葡萄肿最具代表性。由于此类改变涉及后巩膜外形及后极部整体结构，单纯依赖眼底表面图像往往难以作出准确判断，因此相关研究更多转向广角或超广角影像、MRI和OCT分析。
 

出自《AI赋能的眼病精准诊断与再生治疗新进展》作者高娜，代伟，瞿佳。