光学相干断层扫描血管成像（OCTA）概述
OCTA 是 OCT 的功能扩展，是一种无创成像技术，具有非侵入性、三维、微米级分辨率等特点，可提供信息丰富的血管图像，能呈现视网膜和脉络膜血管结构及血流信息，包括新生血管化、缺血和微动脉瘤等，比视网膜血管造影更安全、更快速，适合早期诊断及病情监控。
人工智能相关技术
机器学习：一般会将数据分为训练集和测试集，常见算法有支持向量机、k - 近邻、线性回归、朴素贝叶斯和集成学习等。对于视网膜图像分类，通常包括数字图像处理和机器学习两个部分，需先进行数字图像处理并提取特征，再用于训练模型并评估性能。
深度学习：是机器学习的子集，常用卷积神经网络（CNN）。与传统机器学习算法不同，CNN 的输入是图像本身，可直接从图像数据中学习进行特征提取和分类，无需手动开发和提取特征，减轻了手动特征提取的负担，降低了临床使用的复杂性，但具有 “黑匣子” 性质。
人工智能在 OCTA 图像分析中的应用
OCTA 伪影去除或抑制：OCTA 采集过程中眼球运动、眨眼等会导致伪影，表现为高强度或缺失区域。如 Hossbach 等训练了一种类似 U-net 的 CNN 模型，从 OCTA 中提取血管造影信息，检测算法可根据周围环境找到异常 OCTA 扫描，然后用训练的模型为受微扫视影响的 B 扫描生成 OCTA 数据，填补丢失的信息。
血管特征量化：利用数字图像处理技术可得出不同类型的血管图用于定量特征开发，常用的 OCTA 定量特征包括血管密度、血管口径、血管迂曲度、血管分型维数、血管灌注指数、黄斑无血管区面积、黄斑无血管区周长和黄斑无血管区轮廓不规则度等，人工智能可对这些特征进行更准确的量化分析。
人工智能在眼部疾病诊断中的应用
糖尿病视网膜病变诊断：糖尿病视网膜病变会导致视网膜血管结构和血流改变，OCTA 可捕捉这些变化，人工智能算法通过分析 OCTA 图像中的血管特征，如血管密度降低、微动脉瘤出现等，能够辅助诊断糖尿病视网膜病变，并对病变程度进行分级，有助于医生制定治疗方案和评估预后。
年龄相关性黄斑变性诊断：对于年龄相关性黄斑变性，尤其是新生血管性黄斑变性，人工智能可通过分析 OCTA 图像中的脉络膜新生血管的形态、大小、位置等特征，实现对疾病的早期检测和诊断，还可监测治疗过程中新生血管的变化情况，评估治疗效果。
青光眼诊断：青光眼会引起视网膜神经纤维层和视盘周围血管的改变，人工智能利用 OCTA 图像分析视盘周围血管密度、血流灌注等参数，结合其他眼部结构信息，可辅助青光眼的诊断和病情评估，提高诊断的准确性和可靠性。
面临的挑战和发展方向
挑战：数据质量和标注问题，OCTA 图像存在伪影等影响数据质量，且高质量标注数据匮乏；模型的可解释性问题，深度学习模型的 “黑匣子” 性质使医生难以理解模型决策过程；不同设备和成像条件的标准化问题，影响模型的泛化能力；临床验证和监管问题，人工智能系统用于临床诊断需严格的验证和监管。
发展方向：开发更先进的算法和模型，提高图像分析的准确性和效率；多模态数据融合，结合 OCT、眼底照相、眼压等其他眼部检查数据，提升诊断性能；人工智能与临床医生的深度融合，辅助医生决策，提高医疗质量；建立大规模、标准化的 OCTA 图像数据库，推动人工智能技术的发展和应用。