Ursula Schmidt-Erfurth
教授第一个发表演讲，为大家带来关于目前抗VEGF治疗的现状。抗VEGF玻腔注药术作为一种“简单的”治疗方式，给大量患有视网膜疾病的患者带来了福音，并且还具有相当大的经济效益，堪称医疗的奇迹。但是医生应该如何选择注药模式呢？根据什么呢？
1.1.如何理解和应用OCT——影像学生物标记物的检测和运用
视网膜层间积液（fluid）是一项重要的OCT特征，可以在某些疾病中较好的反映出视功能的预后。可以用OCT中的中心视网膜厚度（Central Retinal Thickness,
CRT
）来反映积液的程度：
（1）
在急性病变中，如RVO，CRT/fluid与视功能高度相关
（CRT每增加100µm，ERDTS视力下降9.0个字母）；
（2）而在
慢性病变，如
DME
、
nAMD
，
CRT/fl
uid
与视力的相关性很低
。
我们希望能有一种快捷、精准的方式来完成对某些疾病中积液（fluid）
的识别、定量检测
，以此来进行对各种治疗模式治疗效果（视力预后）的追踪、评估，如Ranibizumab 0.5/2.0 mg Monthly/PRN的预后区别。而近些年在各个领域大放异彩的
人工智能
技术刚好能帮助我们解决这个问题。
图1:不同类型积液（fluid）的临床意义。类似于一般概念中的的生物标记物，
影像学生物标记物
（imaging biomarkers）是指在影像中所能检测到的生物特征，可以用来辅助诊断、随访等。在OCT中，积液可以分为两种：
视网膜间黄斑积液
（intraretinal fluid,
IRF
）（亮红色标记）和
视网膜下黄斑积液
（subretinal fluid,
SRF
）（浅蓝色标记），此外还有
视网膜厚度
（retinal thickness,
TRT
）、
色素上皮脱离
（pigment epithelial detachment,
PED
）（暗红色标记）等其他imaging biomarkers。
图2: 在CNV、DME、RVO这三种疾病中，使用
深度学习
对OCT图像进行全自动识别，可自动标示出图像中的IRF、SRF，准确率可达90-96%。第二行为参考标准，第三行为神经网络全自动识别结果。(Fully
Automated Detection and Quantification of Macular Fluid in OCT Using
Deep Learning, Thomas Schlegl et al.)
图3: 使用
CNN卷积神经网络
（目前流行的深度学习的一种方式）和图像分割技术，能从二维以及三维的方式，直观地、定量地观察OCT中TRT、IRF、SRF、PED随着治疗的进展发生的改变（Baseline-M0, M1, M2, M3）。
图4：在Treat and extend(Ranibizumab 0.5 mg T&E, TREND)研究中，通过AI技术追踪每次复查时IRF、SRF、PED的定量变化，发现
第一次注射药物后一个月（M1）时，SRF的变化对于治疗模式的选择最具有预测性
。
图5：通过AI技术追踪每次复查时积液的定量变化，发现
Afibercept和Ranibizumab减轻水肿、消除黄斑积液的速度比Bevacizumab快
，同时也具有更好的视力预后。
1.2.未来新趋势——更多、更先进的OCT算法
OCT技术自从上世纪90年代应用到眼科之后，已经发展了数代。除了平时所用到时域OCT、频域OCT，未来科技还会发展出什么新型OCT技术呢？
图6：
偏振敏感OCT
（Polarization-Sensitive OCT,
PS-OCT
）是一种新型OCT算法，在普通OCT的基础上增加偏振光的识别，可以处理极化的光信号。nAMD中的视网膜下纤维化组织（subretinal fibrosis）具有双折射性质，能够被PS-OCT选择性识别。
图7：
血管OCT
（OCT Angiograghy,
OCT-A
）能够在无造影剂下，定量地显示出视网膜脉络膜中各层血管的纤维结构。OCT-A可以运用于观察疾病发展、治疗预后。
1.3.人工智能将继续会对医疗产生深远影响
人工智能是一个广泛的概念，并且在医疗行为中运用已久。从经典的机器学习算法（人工提取特征、设定参数），到深度学习的监督学习，再到无监督学习（病损数据集的建立），人类正在逐渐的将经验性的任务交给计算机去完成。这将极大的解放人类医生的“双眼”，可以让我们把更多的时间放在关注疾病本身上，而不再需要费力观察病损到底在哪里。
