综述：深度学习在中心性浆液性脉络膜视网膜病变诊断中的应用的综合概述

《BMC Ophthalmology》：A comprehensive overview: deep learning approaches to central serous chorioretinopathy diagnosis

　　本综述系统评估了深度学习在中心性浆液性脉络膜视网膜病变（CSCR）诊断中的前沿进展。文章指出，基于光学相干断层扫描（OCT）的卷积神经网络（CNN）模型（如DenseNet）在CSCR的二元分类、亚型区分和视网膜下液（SRF）分割等任务中表现出卓越性能（准确率高达99.78%）。尽管潜力巨大，但临床转化仍面临数据集稀缺、类别不平衡、模型泛化性不足等挑战。未来研究应优先关注多模态成像融合、可解释人工智能（XAI）和严格的大规模外部验证，以推动人工智能（AI）驱动的CSCR诊断工具在真实临床场景中的部署和应用。

　　

中心性浆液性脉络膜视网膜病变（CSCR）是一种常见的黄斑疾病，以视网膜下液（SRF）积聚为特征，常导致视力下降。其诊断传统上依赖于眼科医生对多种影像的手动判读，这一过程既耗时又存在主观差异。近年来，深度学习技术，特别是卷积神经网络（CNN），为CSCR诊断的自动化和精准化带来了革命性希望。

临床背景与诊断挑战

CSCR是仅次于年龄相关性黄斑变性（AMD）、糖尿病视网膜病变（DR）和视网膜静脉阻塞（RVO）的第四常见视网膜病变，好发于30-50岁人群。诊断挑战主要源于其临床表现多变，且症状与AMD、息肉样脉络膜血管病变（PCV）等疾病存在重叠。常用的影像模态包括OCT、彩色眼底照相（CFP）、荧光素血管造影（FFA）、吲哚菁绿血管造影（ICGA）和眼底自发荧光（FAF）等，它们从不同角度揭示CSCR的病理特征，如OCT可清晰显示SRF和色素上皮脱离（PED），而FFA能有效定位渗漏点。然而，手动影像分析效率低下，且易受观察者间变异性的影响。

深度学习模型在CSCR诊断中的卓越表现

深度学习模型通过从大量影像数据中自动学习复杂特征，在CSCR的多个诊断任务中展现出巨大潜力。

在二元分类（如区分CSCR与非CSCR）任务中，OCT B扫描是最高效的输入模态。例如，DenseNet架构在OCT图像上实现了99.78%的准确率、99.68%的灵敏度和100%的特异性。相比之下，基于CFP的模型性能稍逊，准确率在85.7%至94.6%之间。轻量级模型如ShuffleNet-V2在CFP上也能达到97.7%的准确率，显示了其在资源受限环境下的应用价值。

对于更精细的亚型分类（如区分急性、慢性、非消退性和非活动性CSCR），深度学习同样表现出色。定制化的CNN模型准确率可达97%，而结合了ResNet-50特征提取和逻辑回归等统计分类器的模块化流水线（SIP-FD）可将准确率提升至94.2%。

在分割任务中，模型的目标是精确勾画出SRF、PED等病变区域的轮廓。U-Net及其变体（如FPN）以及胶囊网络（CapsuleNet）是主流架构。注意力门控网络（AGN）在FFA图像上分割渗漏点的Dice系数高达0.949，而基于全卷积网络（FCN）的模型在OCT上分割SRF的Dice系数可达0.965。这些自动分割能力为量化疾病负荷和监测治疗反应提供了客观依据。

鉴别诊断与预后预测

深度学习在区分CSCR与其他易混淆视网膜疾病方面也至关重要。基于Transformer的模型（如Swin-Poly Transformer）在OCT图像上进行多类分类（区分CSCR、AMD、CNV、DME等）时，曲线下面积（AUC）可达0.999。融合了影像和临床数据（如年龄、性别、抗VEGF治疗史）的多模态模型（如DeepPDT-Net）在预测患者对光动力疗法（PDT）的反应（如SRF吸收情况）方面也取得了进展（准确率86.4%，AUC 0.917），为个性化治疗计划的制定提供了支持。

挑战与未来方向

尽管成果显著，但将深度学习模型转化为临床常规工具仍面临多重挑战。首先，数据质量是关键瓶颈：公开数据集稀缺，现有数据集常存在样本量小、类别不平衡（如SRF与非SRF图像比例达1:8）、人群代表性不足（多数研究基于亚洲人群）以及影像采集协议不统一等问题。其次，模型泛化能力 不足，许多模型缺乏严格的外部验证，其在新群体或不同设备采集影像上的性能存疑。此外，模型的可解释性 和临床整合 也是障碍。医生需要理解模型的决策依据，而将AI工具无缝嵌入现有的医院信息系统（如PACS, EHR）并设计用户友好的界面也非易事。

未来的研究应聚焦于：创建大规模、多中心、多模态的标准化数据集；开发更强大的多模态融合模型，有效整合OCT、FFA、ICGA等影像信息与临床变量；优先考虑模型的可解释性，利用Grad-CAM、SHAP等工具增强临床医生的信任；探索联邦学习 等隐私保护技术，在不出脱敏数据的情况下进行多中心模型训练；以及进行前瞻性的“静默试验”以全面评估其在真实世界临床工作流程中的价值和影响。

总之，深度学习为CSCR的诊断和管理带来了范式转变的可能。通过克服当前在数据、泛化性和可解释性方面的限制，并致力于以临床需求为导向的开发，这些智能工具有望在未来成为眼科医生强大的辅助工具，最终实现更早、更准、更个性化的CSCR诊疗。