经验教训：视神经脊髓炎中光学相干断层扫描的质量分析

《Annals of Clinical and Translational Neurology》：Lessons Learned: Quality Analysis of Optical Coherence Tomography in Neuromyelitis Optica

　　视网膜厚度测量在视神经脊髓炎谱系疾病（NMOSD）患者中可能因OCT图像质量不佳而影响诊断准确性。本研究基于CROCTINO国际合作数据库，分析539名NMOSD患者3075次OCT扫描质量，发现17.2%的扫描因质量问题被拒，其中严重视力障碍患者拒稿率高达34.3%。主要质量问题包括焦点错误（22.9%）、运动伪影（24.4%）、信号不足（47.5%）和算法错误（39.3%）。研究强调需建立标准化OCT流程，特别是针对严重视力障碍患者，以减少数据损失并提高AI应用的可靠性。

　　在医学影像技术中，光学相干断层扫描（Optical Coherence Tomography, OCT）作为一种非侵入性、高分辨率的成像手段，广泛应用于视神经和视网膜结构的评估。尤其在神经视神经炎（Neuromyelitis Optica Spectrum Disorders, NMOSD）等神经系统疾病中，OCT测量结果常被用作评估神经轴突通路状态的指标。然而，OCT图像的质量对最终的测量结果和临床决策具有重要影响，特别是在存在严重视力损害的情况下，图像获取和分析变得更加困难。因此，如何确保OCT图像的高质量，成为提高疾病研究和临床实践可靠性的关键。

本研究基于“国际NMOSD视网膜OCT回顾性研究（CROCTINO）”的数据，对OCT图像的质量问题进行了系统分析。CROCTINO是一项多中心研究，涵盖了539名患有NMOSD及相关疾病的患者，共收集了3075例OCT扫描数据（包括1630例视盘周围扫描和1445例黄斑扫描）。研究采用Heidelberg Spectralis SD-OCT、Carl Zeiss Cirrus HD-OCT和Topcon SD-OCT三种设备，结合OSCAR-IB质量评估标准，对图像质量问题进行分类和量化。OSCAR-IB是一套经过验证的共识性标准，用于OCT质量控制，适用于多发性硬化症（Multiple Sclerosis, MS）研究，但其在NMOSD等疾病的适用性尚需进一步验证。

研究发现，黄斑扫描被拒绝的比例显著高于视盘周围扫描（20.1% vs. 14.5%），这一差异在严重视力受损的患者中更为明显。在严重视力受损的患者中，黄斑扫描的拒绝率达到了41.6%，而视盘周围扫描的拒绝率为28.9%。相比之下，视力未严重受损的患者中，黄斑扫描的拒绝率为14.6%，视盘周围扫描为10.7%。这些数据表明，视力受损不仅增加了OCT图像获取的难度，也对图像质量产生更大的影响。由于严重视力受损患者的配合度和扫描条件的限制，OCT图像中常见的问题包括运动伪影、聚焦不准确、信号强度不足、扫描位置偏差以及算法分割失败等。这些问题可能导致测量误差，影响疾病诊断和预后评估的准确性。

OCT图像质量评估的复杂性在于其涉及多个技术层面和操作因素。例如，运动伪影通常由患者在扫描过程中眼球移动引起，这种现象在视力受损的患者中更为常见。因此，对于这类患者，可能需要更严格的扫描条件或辅助技术来减少运动伪影的影响。聚焦问题则与设备的调整能力和患者的配合程度密切相关，尤其是在视盘周围扫描中，聚焦不良会导致图像模糊，影响层厚测量的准确性。信号强度是另一个关键因素，其受到多种因素的影响，包括照明条件、患者眼部状况以及扫描过程中可能的遮挡。在某些情况下，即使设备报告信号强度不足，只要图像整体质量尚可，评估人员也可能决定接受该扫描。

此外，扫描位置的准确性（即“中心定位”）也是影响OCT图像质量的重要因素。在视盘周围扫描中，需要确保扫描区域覆盖视盘，而在黄斑扫描中，需确保扫描区域围绕黄斑中心展开。对于视力严重受损的患者，由于视觉能力受限，中心定位可能变得困难，从而影响图像的可分析性。在研究中，研究人员发现，中心定位问题在严重视力受损患者中更为普遍，这可能与患者无法准确保持注视有关。因此，提高中心定位的准确性对于改善图像质量至关重要。

算法分割失败是OCT图像分析中常见的问题，特别是在黄斑扫描中。该问题通常由视网膜结构异常、扫描质量差或图像噪声过大引起。在某些情况下，即使图像整体质量尚可，算法也可能无法正确识别和分割视网膜各层，从而影响测量结果的可靠性。因此，研究人员建议，定期更新OCT分割软件，以提高其对复杂病例的处理能力。同时，一些基于深度学习的模型已被开发用于提高跨设备的分割一致性，这些工具在未来有望成为提高OCT分析自动化和标准化的重要手段。

研究还发现，某些特定的图像质量问题在严重视力受损患者中更为常见。例如，运动伪影和聚焦问题在视盘周围扫描中尤为突出，而黄斑扫描则更常出现信号强度不足和扫描尺寸不准确的问题。值得注意的是，尽管存在多种图像质量问题，但某些组合问题（如聚焦和照明不足）在评估中被认为相对次要，尤其是在其他关键质量指标良好的情况下，这些问题可能被接受。这种现象表明，在实际操作中，评估人员可能更关注影响测量结果的关键问题，而对次要问题采取相对宽容的态度。

为了确保OCT图像的高质量，研究人员提出了一系列建议。首先，应加强OCT操作人员的培训，确保其掌握正确的扫描技术和设备设置。其次，应建立更明确的质量评估标准，以便在不同中心之间实现统一的评估结果。第三，对于严重视力受损的患者，应采用额外的辅助技术，如外部固定点或想象固定点，以提高扫描的准确性和可重复性。最后，应推动OCT技术的进一步发展，如实时眼动追踪和运动校正算法，以减少因患者运动导致的图像质量问题。

此外，研究还强调了人工智能（AI）在OCT图像分析中的潜力。然而，AI模型的训练和验证需要高质量的图像数据，否则可能导致系统性偏差。因此，在未来的研究和临床应用中，应确保AI工具的数据来源具有足够的代表性和多样性，以适应不同患者群体的图像质量差异。这不仅有助于提高AI诊断的准确性，也能增强其在实际应用中的可靠性。

在本研究中，虽然采用了OSCAR-IB标准进行图像质量评估，但该标准最初是为多发性硬化症设计的，可能在NMOSD等疾病中存在一定的局限性。因此，未来的研究应考虑开发适用于NMOSD和相关疾病的专门质量评估体系，以提高其在该人群中的适用性和准确性。同时，由于本研究的数据来源于不同中心，存在一定的异质性，这可能影响结果的普遍适用性。因此，在推广本研究结论时，应结合具体的研究背景和患者群体进行调整。

总的来说，本研究揭示了OCT图像质量在严重视力受损患者中的挑战，并提出了改善图像质量的策略。这些发现对于提高OCT在临床研究和实际应用中的可靠性具有重要意义，尤其是在涉及罕见疾病的多中心研究中。未来，随着OCT技术的不断进步和人工智能的应用，我们有望在提高图像质量的同时，减少因视力受损导致的数据丢失，从而更好地服务于临床诊断和科研分析。