因此，DR相关AI研究正在由传统CFP分级逐渐拓展至微循环功能定量，其临床增量价值在于更客观地评估缺血负荷、渗漏活动性及治疗干预时机。RP是一组遗传异质性和表型异质性均较强的遗传性视网膜疾病，其诊断不仅涉及初步筛查，还包括病变范围、残余功能和病程状态的综合判断。相应地，CFP多用于基础识别，FAF和OCT逐渐用于表型细化，遗传学检测则用于致病基因确认和进一步分层。早期研究从CFP入手，主要通过深度学习提取骨细胞样色素沉着、视网膜血管变细、蜡样视盘苍白及黄斑区改变等典型特征，构建RP初步诊断模型，实现对RP相关表型与非RP眼底改变的区分。
 

由于RP患者常出现高自发荧光环、低自发荧光区及其边界变化，FAF成为表型细化的重要影像基础。研究表明，基于FAF的分类方法可对包含RP在内的遗传性视网膜病进行自动区分。进一步研究显示，基于超广角伪彩色及FAF影像的深度学习模型还可估计RP患者的视野平均缺损、中心视网膜敏感度及最佳矫正视力等功能指标，从而为残余视觉功能评估和随访监测提供客观工具。此外，在多模态整合层面，研究者利用深度学习深度融合OCT与红外图像，并提取出融合后的高维特征，用于预测RP视觉损害，为临床试验入组和疾病进展评估提供参考。
 

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。