早期研究证明，基于CFP的深度卷积网络可对不同阶段AMD进行分类，其性能表现已接近受训阅片者。在单眼图像识别的基础上，后续研究进一步将输入扩展至双眼图像，建立患者层面的分级模型，使输出结果与AREDS严重程度量表相对应。在初步分级的基础上，研究进一步聚焦于高风险人群的识别。新生血管性AMD是导致中心视力迅速下降的主要类型，这一临床特点使其早期识别成为研究重点，并推动后续工作向可转诊晚期AMD的识别延伸。有研究表明，基于CFP的模型可直接识别新生血管性AMD，在外部验证中AUC超过0.9，从而为湿性AMD的早期转诊提供技术支持。
 

此外，还有研究基于CFP构建风险分层模型，用于判断中晚期AMD的进展风险，发现CFP中除静态形态特征外，还包含一定的前瞻性病程信息。随后，研究进入精细分层和病程预测层面，重点也逐渐转向OCT和OCTA。基于OCT的模型不仅可对新生血管性AMD中的视网膜内液、视网膜下液及色素上皮脱离等液体负荷进行自动分割和体积测量，还可用于评估抗VEGF治疗过程中的病灶变化。除液体负荷外，玻璃膜疣体积也是AMD进展评估的重要影像生物标志物。研究显示，基线玻璃膜疣体积较大者发生晚期AMD的风险更高，提示OCT三维定量可为AMD动态随访和风险分层提供客观依据。
 

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。