背景
视网膜液是渗出性黄斑病变的主要生物标志物，能被高分辨率三维光学相干断层扫描（OCT）准确显示。OCT 是眼科常用辅助诊断设备，也是诊断渗出性黄斑病变的金标准。利用 AI 对视网膜液进行定性定量评估，在新生血管性老年性黄斑变性（SMD）的诊断和疗效评估中都能发挥重要作用。
技术应用
视网膜液分割技术
传统方法：包括边缘检测法、阈值分割法和直方图分割法等，主要缺点是不同分割任务需精心设计算法，有时无法有效利用图像空间信息。
AI 算法：深度学习算法对基于 OCT 图像的视网膜液分割产生重大影响。目前用于视网膜液分割的流行 DL 框架包括卷积神经网络（CNN）、全卷积网络（FCN）、U 形网络（U-Net）和线性混合模型（LMM）等。
常用 AI 框架特点
CNN：是最先进的图像分割手段，可适应特定的 OCT 设备和黄斑疾病识别。
FCN：对称编码器 - 解码器结构允许处理任意尺寸输入图像，但训练耗时，需要高性能图形处理单元，架构成本较高。
U-Net：在图像分割领域广泛使用，只需较少图像训练且能提供所需定位，缺点是需权衡定位精度和增加上下文的可视化等。
LMM：能充分考虑数据的聚集性和相关性问题，可灵活调整观察数量和就诊间隔，更适合分析非随机临床试验的真实数据集。
性能评估指标
Dice 相似系数（DSC）：是常用的基于区域的指标，优点是会忽略背景中大量真阴性像素，避免其在测量中占主导地位；缺点是不能直接代表与临床相关的参数，且对微量液体误差敏感性高。
Jaccard 系数：也是基于区域的指标，是预测体素与真值的交集除以其并集区域，可测量并确保正确分割物体内部的二维像素或三维体素的数量。
挑战和发展方向
挑战：结果缺乏可解释性、欠缺数据标准化、临床适应性不足，同一数据集中的 OCT 图像可能来自不同医疗中心影响分割结果，机器学习涉及用户隐私问题，数据存在造假、偏倚等情况会影响治疗方案有效性和安全性。
发展方向：优化 AI 技术，使其应用更加精准和高效，提供更深层次的数据分析和解读；结合其他影像学技术，如眼底照相、荧光素眼底血管造影等，利用 AI 进行多模态数据融合；在远程医疗和数字健康领域进一步扩大应用。