目的:分析糖尿病患者早期黄斑区微循环变化及其与视力的相关性。方法:采用横断面研究方法，收集2019年12月至2020年9月于扬州大学附属苏北人民医院确诊的不合并糖尿病视网膜病变(NDR)患者75例75眼作为NDR组、非增生性糖尿病视网膜病变(NPDR)患者33例33眼作为NPDR组，另收集年龄匹配的健康体检者35人35眼作为对照组。采用RTVue XR光相干断层扫描血管仪扫描受检者黄斑区3 mm×3 mm的光相干断层扫描血管成像(OCTA)图像，采用Angio Vue软件系统对检测数据进行量化。分析并比较3个组患者黄斑中心凹无血管区(FAZ)面积及周长、非圆度指数(AI)、浅层和深层FAZ轮廓异常分级、浅层毛细血管网(SCP)和深层毛细血管网(DCP)血流密度和FAZ旁宽300 μm区的毛细血管(FD300)血流密度，并分析各指标与视力的相关性。结果:对照组、NDR组和NPDR组间黄斑区FAZ面积、FAZ周长、AI总体比较，差异均无统计学意义( F＝1.948， P＝0.146； F＝2.632， P＝0.075；H＝5.582， P＝0.061)。对照组、NDR组和NPDR组黄斑区浅层FAZ轮廓异常眼的比例分别为22.9%(8/35)、37.3%(28/75)和54.5%(18/33)，深层FAZ轮廓异常眼的比例分别为42.9%(15/35)，70.7%(53/75)和87.9%(29/33)，其中NPDR组浅层及深层FAZ轮廓异常眼的比例明显高于对照组，差异均有统计学意义(均 P<0.05)。且随着DR病情程度的加重，无论是浅层还是深层FAZ，轮廓异常眼的分级均呈现逐渐升高趋势( χ2＝9.827、9.030，均 P<0.05)。对照组、NDR组和NPDR组旁中心凹DCP血流密度分别为[52.50(50.70，54.80)]%、[50.40(48.40，52.60)]%和[48.30(43.60，51.55)]%，DCP血流密度分别为[49.90(47.70，51.80)]%、[47.30(45.20，50.10)]%和[45.80(41.30，48.60)]%，总体比较差异均有统计学意义( H＝21.719、21.652，均 P<0.001)，组间两两比较差异均有统计学意义(均 P<0.05)。NPDR组中心凹SCP血流密度、中心凹DCP血流密度、FD300血流密度明显低于对照组，差异均有统计学意义(均 P<0.05)。各组旁中心凹SCP血流密度、SCP血流密度总体比较，差异均无统计学意义( H＝5.290、5.534，均 P>0.05)。糖尿病患者的旁中心凹SCP血流密度及SCP血流密度与LogMAR最佳矫正视力(BCVA)均呈负相关( rs＝-0.305、-0.330，均 P<0.05)，浅层FAZ轮廓分级与LogMAR BCVA呈正相关( rs＝0.353， P<0.05)。 结论:糖尿病患者出现临床可见眼底病变前即可出现旁中心凹DCP血流密度、DCP血流密度及FAZ轮廓的异常，糖尿病患者旁中心凹SCP血流密度、SCP血流密度及浅层FAZ轮廓分级等微循环异常与视力存在相关性。OCTA在监测糖尿病患者视网膜病变进展和识别影响视功能的微循环参数方面有一定的作用。

早产儿视网膜病变（ROP）是造成早产儿视力损伤甚至致盲的一个主要原因。及时的检查、诊断和干预能有效预防ROP进一步恶化。然而，目前全球范围内对ROP的诊断存在主观性强、筛查效率低、不同区域筛查普及率差异大、儿童眼底病医师严重不足等问题。人工智能（AI）在ROP诊断和治疗的应用作为人工诊断的辅助工具或者作为一个自动化的ROP诊断方式，可以有效地提高ROP诊断的效率和客观性，扩大筛查的覆盖面，实现筛查的自动化和诊断结果的量化。在全球重视医学影像AI发展和应用的大环境下，开发更准确的诊断网络，探索更有效的AI辅助诊断方法，增强AI辅助诊断的可解释性，可以更快推动ROP的AI相关政策的完善以及AI产品的落地，促进ROP诊断和治疗行业的发展。

目的:探索人工智能(AI)在社区糖尿病视网膜病变(DR)诊断和转诊中的应用价值。方法:采用诊断试验研究方法，纳入2020年1月1日至2021年12月31日就诊于东莞市3个社区医院的糖尿病患者421例812眼，其中男267例，占63.42%，女154例，占36.58%；年龄18~82岁，平均(51.72±11.28)岁；病程0~30年，平均3.00(1.00，7.00)年。收集以黄斑为中心的50°彩色眼底照片，建立DR图片库。所有病例图像分别由AI DR诊断系统、经过培训的社区医生组、眼科专家组作出分级诊断：有无DR、有无具有转诊意义的糖尿病视网膜病变(RDR)及转诊推荐。以眼科专家组诊断结果为金标准，分析该AI系统诊断DR的敏感性及特异度；分别比较该AI系统和社区医生诊断DR，尤其是RDR的一致性及有效转诊率。结果:所有入组彩色眼底照片中，无DR 570眼，轻度非增生性糖尿病视网膜病变(NPDR)23眼，中度NPDR 120眼，重度NPDR 60眼，增生性糖尿病视网膜病变(PDR)39眼。AI系统诊断DR的敏感性及特异度分别为87.60%和97.89%，诊断RDR的敏感性及特异度分别为90.41%和96.29%。与眼科专家判读结果相比，AI系统诊断DR和RDR的Kappa系数均为0.87，诊断一致性低于经过培训的社区医生组(Kappa系数分别为0.93和0.98)。在眼科专家建议转诊的病例中，AI系统有效转诊率为90.87%(199/219)，略高于社区医生组的89.50%(196/219)，但差异无统计学意义( P＝1.000)。 结论:该AI系统诊断DR，尤其是RDR的敏感性、特异度及一致性均较高。与培训后的社区医生相比，AI系统能更有效转诊RDR。

目的:评估基于计算机视觉技术开发的眼底图像质量评估系统的准确性。方法:选取2016至2017年在“上海糖尿病眼病研究”中由上海市各社区卫生服务中心的工作人员采用免散瞳眼底照相机拍摄的787例2型糖尿病患者的2 397幅彩色眼底像图片作为测试数据集。患者年龄（69.65±19.09）岁，男性384例，女性403例。根据眼底图像预处理、成像质量评价、内容检测和评估结果输出4个模块开发眼底图像质量评估系统。将2 397幅彩色眼底像图片输入该系统自动进行图像质量评价和视盘、黄斑识别，并根据图像质量判断规则对图像进行合格与否的判断并分类。同时由12位专业眼底图片阅片医师对此数据集的图像质量进行人工分类，其中合格1 846幅，不合格551幅。将系统判断结果与人工判断结果进行比对分析。结果:眼底图像质量评估系统可对输入的彩色眼底像图片自动进行眼别和眼位识别，并进行图像质量评估，之后直观输出评估结果。每幅眼底图像评估时间<1 s。1 846幅人工判断为图像质量合格的图片，经系统判断亦为合格者1 788幅（96.86%）；551幅人工判断为不合格的图片经系统判断结果亦为不合格者550幅（99.82%）。图像质量不合格原因为图像过暗（62幅，11.27%）、图像过亮（51幅，9.27%）、黄斑区不清晰（59幅，10.73%）、黄斑视盘未见（36幅，6.54%）、未见眼底结构（125幅，22.73%）、图像模糊（175幅，31.82%）、图像有遮挡（42幅，7.64%）。系统评估与人工判断结果总体一致率为97.54%。结论:该眼底图像质量评估系统对眼底图像质量的评估结果与专业阅片医师判断结果一致性高，具有客观性。 （中华眼科杂志，2020，56：920-927）

目的:探讨光学相干断层扫描成像术(OCT)在玻璃体切除术中手术策略选择的应用。方法:回顾性病例系列研究。连续收集郑州大学第一附属医院2021年10月至2022年4月无缝整合术中OCT辅助下行玻璃体切除术的77例(82眼)纳入研究，所有患者均获得可用于分析的术中OCT图像。记录手术医生根据术中OCT检查所做出的手术策略调整过程。结果:术中做出手术策略调整者29眼(35.37%)，包括增加视网膜激光治疗18眼(21.95%)、增加剥除视网膜前膜操作7眼(8.54%)、发现并处理脱离区视网膜未完全复位2眼(2.44%)、发现并处理隐蔽性黄斑孔引起的视网膜脱离1眼(1.22%)、处理周边残余玻璃体牵引3眼(3.66%)。结论:术中OCT可扩大常规OCT检查的眼底范围，弥补术前检查的不足；能够发现显微镜直观下难以察觉的眼底病变并在处理眼底病变的过程中提供有益的手术指导。

目的：:通过频域光学相干断层扫描（SD-OCT）观察分析原发性开角型青光眼（POAG）患者视盘旁视网膜劈裂（PPRS）的特点，对其进行分型，并探讨不同类型PPRS的危险因素。方法：:系列病例研究。连续收集2021年5月至2022年12月于北京大学第三医院眼科中心青光眼门诊就诊的POAG患者101例。对受检者进行完整的眼科检查，包括最佳矫正视力、等效球镜度、眼压、眼轴长度（AL）、眼底照相、视野及SD-OCT等检查。通过SD-OCT围绕Bruch膜开口（BMO）中心的放射状扫描图像判断是否存在PPRS，根据PPRS起源位置与BMO位置关系分为BMO外PPRS与BMO内PPRS 2个亚组，并观察是否存在玻璃体牵拉及筛板缺损。统计分析PPRS的检出率。采用独立样本 t检验、单因素方差分析、Kruskal-Wallis秩和检验、Pearson卡方检验对数据进行分析，采用广义估计方程模型评估PPRS的潜在危险因素。 结果：:最终纳入POAG患者84例（155眼），检出PPRS 32例（44眼），检出率按眼计算为28.4%，其中BMO外PPRS 19眼（12.3%），BMO内PPRS 24眼（15.5%）。多因素广义估计方程分析发现，AL（ OR=1.46， P=0.008）、玻璃体牵拉（ OR=2.69， P=0.034）、筛板缺损（ OR=9.75， P<0.001）是PPRS发生的独立危险因素。进一步分析发现玻璃体牵拉是发生BMO外PPRS的独立危险因素（ OR=2.88， P=0.004），筛板缺损是发生BMO内PPRS的独立危险因素（ OR=25.91， P<0.001）。 结论：:POAG患者PPRS的发生主要与AL、玻璃体牵拉及筛板缺损有关。不同OCT分型的PPRS危险因素不同，玻璃体牵拉容易造成BMO以外的PPRS，筛板缺损容易造成BMO以内的PPRS。

眼底图像配准是将间隔一段时间拍摄的眼底图像，通过软件搜索特征后进行叠加和重合并交替闪烁显示，以便观察者可清晰观察到眼底图像因时间不同出现的细微变化。《中国青光眼指南（2020年）》已将眼底图像配准列为观察青光眼眼底解剖结构改变和损伤进展的推荐使用方法。本文从视神经形态随访检查方法的优劣和眼底图像配准检测青光眼视神经损伤变化的原理及表现等方面进行介绍，以说明眼底图像配准是检测青光眼早期和中期视神经损伤进展和变化的敏感方法，从而推动国内有条件的眼科机构尽早推广使用该方法。 （中华眼科杂志，2021，57：237-240）

目的:探讨2型糖尿病（T2DM）患者血尿酸（UA）水平与视网膜血管直径的相关性。方法:收集2011年1月至2016年8月在空军军医大学第一附属医院内分泌科住院治疗的18~70岁的T2DM患者。记录患者的身高、体重、体重指数（BMI）、收缩压、舒张压、血UA、糖化血红蛋白（HbA 1c）、总胆固醇（TC）、甘油三酯（TG）、高密度脂蛋白胆固醇（HDL-C）、低密度脂蛋白胆固醇（LDL-C）和估算的肾小球滤过率（eGFR）等指标。采用全自动计算机图像分析软件进行全眼底范围视网膜血管参数测量，包括中央小动脉直径（aCtr）、中间小动脉直径（aMdl）、外周小动脉直径（aPeri）、中央小静脉直径（vCtr）、中间小静脉直径（vMdl）和外周小静脉直径（vPeri）。两组间比较采用Mann-Whitney U检验或 t检验，多组间比较采用Kruskal-Wallis H检验，采用有序logistic回归分析评价不同性别中血UA水平与视网膜血管直径的相关性。 结果:共纳入1 660例T2DM患者，其中男性1 171例，女性489例。不同性别患者的血UA、aCtr、aMdl、aPeri、vCtr、vMdl、vPeri水平差异均有统计学意义（ P<0.05）。有序logistic回归分析结果显示，在男性中，血UA水平升高是aCtr和vPeri增宽的危险因素（比值比分别为1.461和1.411， P均<0.05）；在女性中，血UA水平升高是aPeri变窄的危险因素，是vPeri增宽的危险因素（比值比分别为2.161和1.592， P均<0.05）。 结论:T2DM患者的血UA水平与视网膜血管的直径变化密切相关。在男性中，血UA水平升高是aCtr和vPeri增宽的独立危险因素；在女性中，血UA水平升高是aPeri变窄及vPeri增宽的独立危险因素。

目的:观察分析基于深度学习的眼底图像视盘定位与分割方法的准确性。方法:在ORIGA数据集上训练和评估基于深度学习的视盘定位和分割方法。在深度学习的Caffe框架上构建深度卷积神经网络（CNN）。采用滑动窗口将ORIGA数据集的原图切割成许多小块图片，通过深度CNN判别各个小块图片是否包含完整视盘结构，从而找到视盘所在区域。为避免血管对视盘分割产生影响，在分割视盘边界之前去除视盘区域的血管。采用基于图像像素点分类的视盘分割深度网络，实现眼底图像视盘的分割。计算基于深度学习的眼底图像视盘定位与分割方法的准确性。定位准确率＝T/N，T代表视盘定位正确的眼底图像数量，N代表总共用于定位的眼底图像数量。采用重叠误差（overlap error）比较视盘分割结果与实际视盘边界的误差大小。结果:基于深度学习的眼底图像视盘定位方法其定位准确率为99.6%；视盘分割平均重叠误差为7.1%；对青光眼图像和正常图像的平均杯盘比的计算误差分别为0.066和0.049；每幅图像的视盘分割平均花费10 ms。结论:基于深度学习的眼底图像视盘定位方法能快速并准确地定位视盘区域，同时也能够较为精准地分割出视盘边界。

目的：:以专科医院的眼科检查仪器作为参照，评价基层眼科仪器检查结果的重复性以及一致性。方法：:横断面研究。于2023年3—6月在温州医科大学附属眼视光医院临床科研中心进行数据采集：由2名熟练操作的眼科医师分别采用社区卫生院及专科医院常用眼科检查仪器（包括视力表、自动验光仪、眼压计、眼底照相机）对50名受检者进行检测，各检查2次，每2次检查间隔为1 min。重复性数据处理采用组内相关系数（ICC）进行分析；一致性使用Bland-Altman图进行分析。结果：:社区卫生院和专科医院的验光仪和视力表的组内重复性结果大部分数据ICC>0.98；眼压计和眼底彩照中大部分数据的组内重复性ICC>0.80，二者重复性良好。社区卫生院和专科医院的验光、视力表的检查结果的Bland-Altman图分析中大于90%的数据处于一致性界限之内，一致性表现较好；眼底彩照结果的一致性结果表现大部分数据ICC>0.70，部分数据较低可能与不同仪器之间所得图像质量有关。结论：:社区卫生院和专科医院的眼科基础检查设备对于常见眼部常规检测结果（视力、眼压和眼底结果）均有着较好的重复性和一致性。