预测中度年龄相关性黄斑变性（AMD）的进展：椭圆体区完整性与定量OCT生物标志物的关键作用

要点提示

• 椭圆体带（ellipsoid zone，EZ）完整性指标和高反射灶（hyperreflective foci，HRF）计数是中间期年龄相关性黄斑变性（intermediate age-related macular degeneration，iAMD）在2年内进展为晚期萎缩性年龄相关性黄斑变性（AMD）的重要基线预测因子。
• 融合机器学习的定量光学相干断层扫描（optical coherence tomography，OCT）分析，可有效识别常规影像上不易察觉的细微视网膜结构改变。
• 基于多项 OCT 生物标志物构建的随机森林预测模型，在预测疾病进展方面取得了较高准确性（AUC = 0.85）。
• 上述结果提示，该方法有望用于早期风险分层，为临床试验设计和靶向治疗干预提供依据，从而延缓萎缩性 AMD 的发生。

研究背景

年龄相关性黄斑变性（age-related macular degeneration，AMD）是全球老年人不可逆性视力丧失的主要原因之一。中间期 AMD（iAMD）代表一个关键阶段，此时视网膜结构改变已经可见，但尚未发生不可逆萎缩。当前临床面临的主要挑战，是识别哪些 iAMD 患者更容易快速进展为晚期萎缩性 AMD；这类患者的特征包括视网膜色素上皮（retinal pigment epithelium，RPE）丢失和外层视网膜萎缩，因此最可能从早期干预中获益。光学相干断层扫描（OCT）能够对视网膜各层进行高分辨率成像，从而实现精细的结构评估。在多种 OCT 特征中，椭圆体带（EZ）的完整性——其代表光感受器内节/外节连接处——被认为可反映光感受器健康状况，但其在预测萎缩进展中的定量作用尚未得到充分阐明。此外，玻璃膜疣体积、高反射灶（HRF）、外核层厚度以及高穿透信号等其他 OCT 生物标志物，也可能有助于风险分层。本研究通过定量 OCT 分析并结合机器学习方法，旨在解决缺乏经过验证的预后生物标志物这一未满足需求，以预测 iAMD 在2年内的进展。

研究设计

本回顾性队列研究纳入502只基线时诊断为中间期 AMD、且无萎缩或渗出证据的眼。受试者在基线及2年随访时均接受了频域 OCT 扫描。研究采用经验证的多层分割平台，并结合机器学习自动定量分析多项视网膜结构参数，包括 EZ-RPE 厚度、部分和总体 EZ 衰减、玻璃膜疣体积、HRF 计数、外核层至 RPE 厚度（outer nuclear layer to RPE，ONL-RPE）以及总 RPE 丢失。经认证阅片者对分割结果进行审阅与校正，以确保准确性。

此外，全自动深度学习模型生成了特定指标：高穿透区域（提示 RPE 破坏）以及“EZ 风险区域”（在未伴随 RPE 丢失的情况下出现异常 EZ-RPE 薄化的区域）。研究者基于基线 OCT 特征建立随机森林分类器，以预测2年内进展为晚期萎缩性 AMD——其 OCT 诊断标准为完全 RPE 和外层视网膜萎缩（complete RPE and outer retinal atrophy，cRORA），且病灶面积≥0.05 mm2。模型性能通过5折分层交叉验证进行了稳健评估。

主要发现

在分析的502只眼中，2年内进展为晚期萎缩性 AMD 的眼与未进展者相比，基线时即表现出显著差异。具体而言，进展组表现为：

– 部分和总体 EZ 衰减程度更重，提示光感受器完整性受损。
– EZ-RPE 和 ONL-RPE 厚度更低，反映关键视网膜层变薄。
– 玻璃膜疣体积更大，说明病理负担更重。
– HRF 计数升高，提示可能存在迁移的 RPE 细胞或炎症过程。
– 深度学习生成的高穿透区域更大，EZ 风险区域更广。

上述各参数的统计学差异均显著（所有 p 值均<0.05）。

整合全部基线 OCT 特征的随机森林预测模型，其平均曲线下面积（area under the curve，AUC）为0.85±0.02，显示出较高的判别能力。特征重要性分析显示，EZ 完整性相关指标（衰减指标和厚度）及 HRF 计数是预测未来萎缩性进展的最主要决定因素。值得注意的是，该模型优于更简单的单变量预测指标，并显示出多项定量生物标志物联合应用的附加价值。

专家点评

Matar 等人的研究阐明了椭圆体带完整性和高反射灶在 AMD 进展的病理生理学及预后判断中的关键作用。椭圆体带代表富含线粒体的光感受器区段，可作为光感受器存活能力的替代指标。其衰减或丢失可直接反映光感受器功能障碍及即将发生的萎缩。HRF 可能代表被激活的小胶质细胞或移位的 RPE 细胞，进一步提示视网膜持续处于应激和重塑状态。

机器学习在多层分割和自动化生物标志物定量中的应用，能够减少固有变异并提高可重复性，这对临床实践和研究均至关重要。此外，构建复合预测模型标志着风险评估正在向个体化方向发展，可能有助于指导随访间隔及临床试验入组等决策。

不过，也应承认回顾性分析固有的局限性，包括选择偏倚以及缺乏标准化的全身或人口学因素校正。此外，在不同人群中进行外部验证，并纳入视力和患者报告结局等功能性指标，将有助于提升其临床适用性。

结论

本研究表明，定量 OCT 生物标志物，尤其是椭圆体带完整性和高反射灶，与中间期向晚期萎缩性 AMD 在2年内的进展密切相关。先进机器学习技术的应用，使得能够在临床上明显萎缩出现之前实现精准风险分层并识别高风险眼。这些发现对临床照护具有直接意义，可帮助及早识别适合更密切监测或预防性干预的患者。此外，这些生物标志物也可为未来针对 AMD 进展的临床试验设计与疗效评估提供有价值的终点指标。后续研究应重点关注前瞻性验证、与全身危险因素的整合，以及探索针对早期光感受器和 RPE 保护的治疗策略。

资金与临床试验

本研究未说明外部资金来源或临床试验注册信息。若能补充相关资金及试验状态，将有助于提高透明度。

参考文献

1. Matar K, Delaney A, Indurkar A, et al. Assessment of Ellipsoid Zone Integrity and Other Quantitative OCT Biomarkers for Intermediate AMD Progression to Atrophy. Ophthalmology. 2026 Aug 10. PMID: 42575302.
2. Ferris FL 3rd, Wilkinson CP, Bird A, et al. Clinical classification of age-related macular degeneration. Ophthalmology. 2013 Apr;120(4):844-51.
3. Sadda SR, Keane PA, Ouyang Y, et al. Machine Learning Approaches for the Quantitative Assessment of Retinal Structure Using Optical Coherence Tomography. Ophthalmology. 2020 Jan;127(1):134-150.
4. Fleckenstein M, Fritsche LG, Keilhauer CN, et al. The progression of age-related macular degeneration: Clinical and imaging characteristics. Prog Retin Eye Res. 2021 Mar;82:100896.

本文强调了新型影像学生物标志物与机器学习的整合，可提升 AMD 早期疾病风险预测能力，是个体化眼科诊疗向前迈出的重要一步。