利用光学相干断层扫描与机器学习识别儿童神经纤维瘤病1型患者的视力异常

为何这与儿童视力息息相关

对于患有一种罕见遗传病——神经纤维瘤病1型（NF‑1）的儿童，视力丧失可能成为改变人生的重要并发症。医生已经使用一种无创的眼部扫描技术——光学相干断层扫描（OCT）来观察眼后部的微小结构，但将这些图像转化为能够清晰预警哪些儿童存在风险一直很困难。本研究探讨了基于计算机的模式识别（即机器学习）能否将常规OCT测量转变为对这些患儿视力问题的早期预警系统。

一种伴随潜在眼科风险的遗传疾病

NF‑1约影响每2500到3000名新生儿中的1例，可能引起广泛的皮肤、神经和眼部改变。其中一项最严重的威胁是沿视觉通路发生的肿瘤，称为视神经通路胶质瘤。大约五分之一的NF‑1儿童会发展出这种肿瘤，通常发生在约5岁左右，部分患者会出现持续的视力锐度或视野丧失。由于年幼儿童可能察觉不到或不会报告视力下降，医生必须依靠定期检查和脑部影像来及早发现问题——这些程序可能令人紧张、耗时，有时结果也不确定。

更仔细地观察眼睛的“线路”

OCT的工作原理有点像超声，但用的是光而非声波，能产生视网膜和视神经的精细横截面图像。研究团队重点关注特定层的厚度变化，尤其是将视觉信号从眼睛传向大脑的视网膜神经纤维层和神经节细胞层。他们收集了来自168名3至19岁儿童和青少年的515次OCT检查，其中一些人在随访中视力正常，另一些人在一次或多次随访中显示视力下降。研究者没有分析每张扫描的每个像素，而是使用了简单的数值摘要——中央视网膜（黄斑）和视神经周围关键层的总体厚度——使结果更容易对应实际解剖结构并与临床实践中已知的指标相衔接。

训练计算机识别早期预警信号

随后，研究人员尝试了九种不同的机器学习方法，评估哪种方法仅凭这些厚度测量能最好地区分正常与异常视力。他们特别注意避免过于乐观的结果，确保同一儿童的数据不会同时出现在训练集和测试集中。一种称为平衡随机森林（Balanced Random Forest）的模型——本质上是针对不平衡类别调整的一组决策树集成——被证明最适合用作筛查工具。仅使用黄斑测量时，该模型将正常与异常视力区分开的曲线下面积（AUC）为0.82，约能检测到三分之二的视力受损儿童。在优先防止漏检高风险患者的筛查场景中，这一敏感度水平被认为具有实用价值。

从数值到可操作的阈值

为使系统对临床医生更易理解，团队采用了一种解释方法，展示每个特征在多大程度上推动模型预测为正常或异常视力。结果显示，视网膜神经纤维层和合并的神经节细胞层在黄斑和视神经区域的变薄，与视力丧失具有显著关联。研究者进一步利用这些解释推导出初步的临界值——例如，黄斑神经纤维层薄于约34微米时，与异常视力的儿童比例明显更高。他们还测试了随着更多层超过其临界值时风险如何上升：当儿童有三项或更多异常阈值时，比没有这些异常的人更可能出现视力问题，表明将若干细微变化组合起来可以提高风险评估的准确性。

对家庭和医生的意义

该研究表明，来自标准OCT眼部扫描的简单测量项可以被转化为一个透明、数据驱动的工具，用于标记可能出现威胁视力损伤的NF‑1儿童。这类模型并非取代医生，而是可用于突出需要更密切随访、更早干预或额外检查的儿童。所提出的厚度临界值和“异常层数量”规则尚不足以单独用于治疗决策；它们需要在更大规模、多中心的研究中验证。尽管如此，这项工作表明，将精确的眼部成像与可解释的人工智能相结合，可能有助于在可逆损伤发生前保护这一脆弱儿童群体的视力。

引用: Cañada, C.F., Parcerisas, J.G., Bartomeu, J.P. et al. Utilizing optical coherence tomography and machine learning to identify vision abnormalities in pediatric neurofibromatosis type 1 patients. Sci Rep 16, 7237 (2026). https://doi.org/10.1038/s41598-026-37900-5

关键词: 神经纤维瘤病1型, 儿童视力, 光学相干断层扫描, 机器学习, 视网膜神经纤维层