RVOTEP系统可实现视网膜静脉阻塞抗VEGF疗效预测与辅助临床决策
2026年7月，北京同仁医院魏文斌教授团队联合北京邮电大学在npj Digital Medicine（IF: 18）发表题为：《Treatment effects prediction and clinical decision-making system for retinal vein occlusion by artificial intelligence》的AI 眼底诊疗新成果。
研究背景
视网膜静脉阻塞（RVO）是发病率仅次于糖尿病视网膜病变的第二大常见视网膜血管疾患。玻璃体腔内 抗VEGF药物注射为该病一线治疗方案，但存在患者疗效个体差异显著，停药后复发风险较高，多需反复注射与长期随访等挑战。此外，针对RVO初诊的基线OCT、眼底彩照，难以预判患者治疗后4周、12周、24周的眼底结构恢复状态，更难以提前评估后续是否需持续干预。
该研究提出视网膜静脉阻塞治疗效果预测系统RVOTEP，可基于患者治疗前影像生成多个随访时间点的OCT和眼底彩照，同步完成病灶量化与再治疗风险预测，实现“影像推演-病灶分析-治疗决策”一体化智能辅助诊疗。
研究方法
本研究采用回顾性队列设计，数据集分为内部开发队列与独立外部验证队列。内部开发队列来自北京同仁医院，共纳入576例RVO患者，含350例分支视网膜静脉阻塞（BRVO）、226例中央视网膜静脉阻塞（CRVO）；外部验证队列取自院外体检中心，纳入70例 BRVO、30例CRVO患者。所有受试者规范接受为期6个月的按月 抗VEGF玻璃体腔注射治疗，并收集眼底像、OCT等相关随访数据。
全队列共采集基线2704张OCT影像、676张眼底彩照，以及每次随访治疗后4周、12周、24周的所有OCT及眼底像数据资料，完整纵向时序数据支撑模型学习不同病程的治疗应答规律。
整套RVOTEP系统由三类模块组成：基于RegGAN架构的三种GAN网络用于推演远期治疗后眼底影像；RVOTEP系统自动分割黄斑水肿、视网膜出血、硬性渗出、软性渗出四类关键病灶；RVOTEP系统融合量化病灶特征，预判患者后续是否需进一步抗VEGF干预。研究同步从生成图像质量、病灶量化能力、6组跨时序预后预测任务、医师有无AI辅助下判读效能四大维度，完成系统综合性能评估（图1）。
图1：队列设计、基于RegGAN的三种生成模型、UNet++病灶分割、ResNet-101决策模块、评价指标与系统使用流程。
研究结果
研究以RegGAN为基础架构，通过空间配准变换消除治疗前后影像错位偏差，并提升出血、各类渗出等微小病灶的边缘细节还原度。统计显示，98.3% 受试者三个随访节点的生成影像均具备临床参考价值。结合MAE、PSNR、SSIM客观量化指标与医师主观评估，RegGAN-UNIT为本研究最优生成模型（图2）。
图2: 外部验证集中BRVO与CRVO患者治疗 24 周后的OCT及眼底影像
RVOTEP系统可实现黄斑水肿、视网膜出血、硬性渗出、软性渗出四类病灶自动分割。基于模型量化结果，规范6次 anti-VEGF 治疗后各类病灶消退幅度差异显著：视网膜出血面积缩减95.34%，消退速度最快；黄斑水肿、硬性渗出、软性渗出面积分别下降 73.47%、71.23%、65.54%，基于RVOTEP的研究显示水肿与渗出病程消退周期更长（表1）。
表1：基于RVOTEP计算病变区域占比
研究共设置6项跨时序预后预测任务：基线影像预测4、12、24周疗效、4 周影像预测12、24周疗效、12周影像预测24周疗效（图3）。内部测试集六项任务平均AUC达0.854，单任务AUC介于0.820~0.876；外部验证集平均AUC为0.744，单任务AUC区间 0.703~0.749。外部队列预测效能略有下降，证实模型可适配多中心场景，但泛化能力仍有待提升。模型整体决策准确率：内部测试集0.854（95% CI：0.820-0.884），外部验证集0.744（95% CI：0.703-0.781）（图4）。
图3:BRVO与CRVO患者在基线、第4周、第12周和第24周的真实与生成眼底彩照及OCT，呈现出血、水肿和渗出的动态变化
图4：六个决策模型的ROC曲线与关注区域热力图
人机对比研究显示，通过RVOTEP生成的4 周、12周模拟影像辅助后，相比两名眼底专科医师仅依靠基线影像判读时准确率可获提升。此外RVOTEP推理效率优势突出：AI 单病例平均处理时长仅1.02s（内部集）、1.1s（外部集）；人工独立判读耗时12.3~13.2s，系统可缩短91.69%影像分析时间。
表2：RVOTEP系统与临床医师人工判定的临床决策准确率及耗时对比
研究总结
RVOTEP采用了成熟的深度学习网络，核心价值不在于改良骨干网络，而是围绕临床痛点搭建完整研究闭环：整合多模态队列、时序影像生成、病灶分割、再治疗预测、外部验证与人机对照实验。该范式对医学AI研究提出新思路：生成模型不必仅追求视觉仿真，还可作为病灶量化、预后决策的中间依据。热力图显示模型重点聚焦黄斑区与各类眼底病灶，注意力区域和医师阅片关注点高度契合，提升决策可解释性。
该研究也存在一定局限：开发队列来自单中心回顾性数据，外部验证仅100例国内患者；仅评估眼底解剖改变，未纳入视力等功能指标；各随访节点影像独立生成，未建模连续时序关联；仅适配单纯抗VEGF治疗，暂不覆盖激光、激素植入等其他方案。
综上，RVOTEP将RVO疗效预测从单一终点判断拓展为“影像推演-病变量化-治疗辅助决策”全流程体系，核心贡献是把依赖经验的长期随访管理，转化为一套可建模、可对比、可验证的标准化技术框架。
作者简介
魏文斌，首都医科大学附属北京同仁医院副院长，主任医师，教授，博士研究生导师，国内外著名眼底病专家。医学人工智能研究与验证工信部重点实验室主任，致盲性眼病防控与智慧诊疗北京市重点实验室主任，眼内肿瘤诊治研究北京市重点实验室主任。国家卫健委突出贡献中青年专家，享受国务院政府津贴，白求恩奖章获得者，中央保健会诊专家，全国先进工作者。入选首批国家级和北京市新世纪“百千万”人才工程，国家特支计划工程首批领军人才。从事眼科临床工作40年，擅长眼底病的诊断和治疗，尤其在视网膜脱离、眼内肿瘤的诊疗方面积累了丰富的经验，完成复杂性玻璃体视网膜显微手术万余例。在专业学术期刊发表SCI论文220篇，发表中文学术论文367篇，主编专著28部；授权国家专利13项，承担国家自然科学基金等国家级和省部级科研项目共28项。现任《中华眼科杂志》《中华眼底病杂志》《眼科》《实用防盲技术杂志》副主编，《中华医学杂志英文版》、《中华实验眼科杂志》等十余种专业杂志编委。
邵蕾，眼科学博士，副研究员，副教授，硕士研究生导师。就职于北京同仁医院眼科，任眼科智能影像和远程医疗中心主任，国家人工智能中试基地（医疗）眼科创新实验室及应用推广中心主任助理。以一作在国内外期刊累积发表论文 30余 篇，参与百余篇。单篇他引224。主编近视科普读物丛书3部。参编专著10余部、英文专著 1 部。作为主要起草人参编首个医学人工智能行业标准，参与研发项目获批国家医疗器械三类证。获华夏医学科技奖一等奖、高等学校科学研究优秀成果科学技术进步二等奖。获北京市委组织部“北京市优秀人才”、北京市医管局“青苗计划”人才，东城区优秀青年人才，北京经济技术开发区创新工程领军人才。
李赫妍，眼科学博士研究生，师从我国著名眼底病学专家魏文斌教授。研究方向为高度近视发展机制、眼底疾病的人工智能应用及眼内肿瘤相关研究。以第一作者在《npj Digital Medicine》、《Investigative Ophthalmology & Visual Science》、《Experimental Eye Research》等杂志发表论文10余篇，获批专利3项；多次参加国内外学术会议发言；参编学术专著2部。
郭瑾洁，北京邮电大学信息与通信工程专业博士研究生，具有通信工程、人工智能与医学信号分析的交叉学科背景，主要从事脑电智能分析、脑机接口研究及眼科影像深度学习网络建模。
宋国娇，眼科学博士研究生，师从我国著名眼底病学专家魏文斌教授。研究方向为高度近视的发病机制与治疗、眼底疾病的人工智能应用研究。
文字、图片：李赫妍
编辑：胡雅斌
