研究设计与参与者招募
建立多中心、跨种族的轻度青光眼和正常对照队列，用于模型开发和外部验证。
从新加坡国家眼科中心和罗马尼亚布加勒斯特急诊大学医院招募参与者，根据标准定义轻度POAG和正常对照，进行眼科检查包括Goldmann压平眼压计和眼轴测量，使用CIRRUS HD-OCT 6000进行OCT和OCTA扫描。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
可解释的多模态OCT和OCTA分析揭示不同种族间轻度青光眼的结构和血管特征
Explainable Multimodal OCT and OCTA Analysis Reveals Structural and Vascular Features of Mild Glaucoma Across Ethnicities
实验完整度
高多中心横断面诊断研究，包含亚洲开发/测试队列和独立白人外部验证队列，进行模型性能比较、SHAP特征贡献分析和敏感性分析。
主要模型
亚洲队列（n=621；429轻度青光眼，192对照） 白人外部验证队列（n=131；62轻度青光眼，69对照） 随机森林分类模型（基于OCT和OCTA特征）
重点核对
训练集和内部测试集按参与者水平80/20拆分，外部验证使用独立白人队列 随机森林模型使用40个选定特征（基于方差分析F检验排序和五折交叉验证） 模型性能评估指标：AUC、敏感性、特异性，采用参与者水平聚类bootstrap重采样计算95% CI SHAP分析评估特征贡献，比较不同队列间特征重要性模式 敏感性分析纳入年龄、性别、眼轴长度、IOP、扫描信号强度和系统性高血压等变量
摘要
目的：开发并外部验证一种整合光学相干断层扫描（OCT）和OCT血管成像（OCTA）的可解释人工智能模型，用于轻度原发性开角型青光眼（POAG），并确定在不同种族队列中有助于分类的结构和血管特征。
方法：这项横断面、多中心诊断研究纳入了轻度POAG（视野平均偏差≥−6 dB）参与者和正常对照。从视盘和黄斑提取定量结构OCT和血管OCTA特征。亚洲队列（n = 621；429例青光眼，192例对照）用于模型开发和测试，独立的白人队列（n = 131；62例青光眼，69例对照）用于外部验证。使用仅OCT、仅OCTA和联合OCT/OCTA特征的随机森林模型，通过受试者工作特征曲线下面积（AUC）、敏感性和特异性进行比较。使用SHapley Additive exPlanations（SHAP）评估特征贡献。
结果：在752名参与者（平均年龄60岁；50%男性）中，多模态模型在内部测试集中实现了高区分度（AUC = 0.975），与仅OCT模型性能相当（AUC = 0.965；P = 0.248），但优于仅OCTA模型（AUC = 0.870；P < 0.001）。在外部测试集中，多模态模型达到AUC 0.884，优于仅OCT模型（AUC = 0.801；P < 0.001）和仅OCTA模型（AUC = 0.792；P = 0.005）。SHAP分析确定下方视乳头周围视网膜神经纤维层厚度和视乳头周围灌注密度为关键贡献因素。
结论：可解释的多模态OCT/OCTA分析在不同种族队列中识别出轻度青光眼一致的结构和血管特征。OCTA衍生的血管指标提供了与结构OCT互补的信息，尤其是在外部验证队列中。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 开发并外部验证整合OCT和OCTA的可解释AI模型，用于轻度POAG分类，并确定跨种族一致的结构和血管特征。
- 核心机制
- 模型基于结构OCT特征（如下方视乳头周围RNFL厚度和残余）和血管OCTA特征（如视乳头周围灌注密度）进行分类，OCTA血管指标提供补充信息，尤其在跨队列差异存在时增强泛化性能。
- 主要证据
- 在亚洲内部测试集中多模态模型AUC 0.975，外部白人队列AUC 0.884；SHAP分析显示下方视乳头周围RNFL残余是最重要特征，血管指标贡献较小但一致；敏感性分析表明OCTA增量价值在外部队列中持续存在。
- 研究意义
- 研究结果表明，将OCTA血管指标与结构OCT整合可提高轻度青光眼跨种族分类的鲁棒性，同时通过SHAP保持可解释性，可能支持非专科或初级保健环境中的青光眼筛查和分诊。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
图像处理与特征提取
从OCT和OCTA图像中提取定量结构和血管特征，用于机器学习模型。
使用MATLAB中实现的自动算法从视盘和黄斑的OCT和OCTA图像中提取结构和血管特征，包括视乳头周围RNFL厚度、RNFL残余、黄斑视网膜层厚度、OCTA衍生的视乳头周围灌注密度和黄斑血管密度等。
特征选择和模型训练
选择最优特征子集并训练随机森林分类器，用于区分轻度青光眼和正常眼。
使用单变量方差分析对特征进行排序，评估不同特征子集的模型性能以确定最优特征集，训练随机森林分类器，并在独立外部队列中验证模型性能，同时评估替代分类器进行比较。
模型性能评估
评估多模态模型在内部和外部测试集中的诊断性能，并与单模态模型比较。
在内部和外部测试集中计算AUC、敏感性和特异性，比较联合OCT/OCTA、仅OCT和仅OCTA模型的性能，使用DeLong检验比较ROC曲线，进行决策曲线分析评估临床效用。
模型可解释性分析
使用SHAP方法量化每个特征对轻度青光眼预测概率的贡献，并比较不同队列间的特征重要性模式。
训练随机森林模型后，使用SHAP评估模型可解释性，计算测试集的SHAP值以量化每个特征对轻度青光眼预测概率的贡献，使用SHAP摘要图识别最有影响力的特征并可视化其效应方向，比较不同队列的特征重要性模式。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
验证分子表达变化
验证机制链路
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 眼科检查 | Humphrey视野分析仪II | Carl Zeiss Meditec | -- |
| IOLMaster | Carl Zeiss Meditec | -- | |
| OCT和OCTA成像 | CIRRUS HD-OCT 6000 | Carl Zeiss Meditec | -- |
| 图像处理与特征提取 | MATLAB | MathWorks | -- |
| 瞳孔扩张 | 1%托吡卡胺 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 参与者招募和分组 | 轻度青光眼定义：视野平均偏差≥−6 dB；正常对照排除标准：无自报糖尿病或医生诊断的系统性高血压，无医生诊断的眼部疾病；青光眼参与者无自报糖尿病但未因系统性高血压排除 阅读提示：Methods小节中的Study Design and Participants |
| OCT和OCTA图像采集和质量控制 | 使用CIRRUS HD-OCT 6000，瞳孔扩张用1%托吡卡胺，视盘中心（200 × 200 cube；6 × 6-mm OCTA）和黄斑中心（200 × 200 cube；3 × 3-mm OCTA）扫描；排除标准：信号强度<6，运动伪影、分割错误、不一致信号强度或不良中心；OCTA额外排除：信号差、运动伪影、玻璃体浮游物或扫描未对准 阅读提示：Methods小节中的Ocular Examinations |
| 特征提取和图像处理 | 使用MATLAB自动算法提取特征；RNFL残余定义为观察值减去模型预测值；黄斑视网膜层使用Iowa Reference Algorithms分割；OCTA指标在标准化感兴趣区域计算，掩蔽大血管和中心凹无血管区；眼放大校正使用改良Littmann–Bennett方法 阅读提示：Methods小节中的Image Processing and Feature Extraction和Axial Length–Based Magnification Correction，以及Supplementary Methods |
| 模型训练和测试 | 数据按参与者水平80/20拆分为训练集和内部测试集；使用单变量ANOVA排序特征；评估不同特征子集；选择随机森林分类器和40个特征；外部验证使用独立白人队列 阅读提示：Methods小节中的Explainable AI Framework和Statistical Analysis，以及Supplementary Methods |
| 性能评估和统计分析 | 主要指标AUC，95% CI通过参与者水平聚类bootstrap重采样（1000次重复）估计；敏感性和特异性在80%特异性或80%敏感性操作点计算；ROC曲线比较使用DeLong检验；决策曲线分析；统计显著性定义为双侧P < 0.05 阅读提示：Methods小节中的Statistical Analysis和Results中的Model Performance |