研究亮点
本多中心研究将可解释机器学习应用于基线光学相干断层扫描（Optical Coherence Tomography，OCT）衍生生物标志物，能够准确预测中心性浆液性脉络膜视网膜病变（Central Serous Chorioretinopathy，CSC）的临床病程。结果显示，关键OCT参数——旁中央凹外核层厚度、近中央凹光感受器-视网膜色素上皮（Photoreceptor-Retinal Pigment Epithelium，PR+RPE）复合体厚度以及视网膜下液体体积——是预测CSC慢性化的最强指标。该算法具有较高的区分能力（AUC 0.852），有望用于早期风险分层和个体化临床管理。
研究背景
中心性浆液性脉络膜视网膜病变是一种视网膜疾病，其特征为由于脉络膜高通透性和视网膜色素上皮（Retinal Pigment Epithelium，RPE）功能障碍所致的神经感觉视网膜浆液性脱离。虽然许多患者呈现急性且可自行缓解的病程，但相当一部分患者会进展为慢性CSC，导致持续性视网膜下液体、光感受器损伤和视力受损。及早识别有慢性CSC风险的患者，有助于及时干预和咨询，但目前可靠的预后工具仍然有限。
光学相干断层扫描（Optical Coherence Tomography，OCT）可对视网膜微结构进行高分辨率成像，从而量化视网膜各层厚度及液体积聚。人工智能的发展使OCT生物标志物能够被客观、自动化提取。基于这些生物标志物应用机器学习，可能更好地预测CSC的临床病程，并最终指导治疗决策。
研究设计
这项回顾性队列研究汇总了来自欧洲、中东、亚洲和北非8个国际中心的291例未经治疗的CSC患者共329只眼的数据。纳入标准要求首次就诊时已有明确CSC诊断，并进行纵向随访，根据平均4.2±1.6年的随访期间视网膜下液体（Subretinal Fluid，SRF）是否消退，将眼别分为急性或慢性CSC。
研究采用基于人工智能的平台（Discovery OCT Biomarker Detector；RetinAI AG）分析基线OCT影像，自动量化多项视网膜生物标志物。这些指标包括视网膜层厚度（尤其是外核层[Outer Nuclear Layer，ONL]和光感受器-视网膜色素上皮[PR+RPE]复合体）、SRF和色素上皮脱离（Pigment Epithelial Detachment，PED）液体体积，以及特定OCT特征（如扁平型PED和高反射灶[Hyperreflective Foci，HF]）在中央、旁中央凹和近中央凹ETDRS网格区域中的发生概率。
研究构建了随机森林（Random Forest）分类器，利用这些生物标志物输入在基线预测CSC慢性化。为增强模型可解释性，进一步应用SHapley Additive exPlanations（SHAP）确定驱动预测的特征重要性。
主要结果
在该队列中，28%的眼别被归为急性CSC（SRF消退），72%被归为慢性CSC（SRF持续存在）。慢性CSC患者年龄显著更大（平均51.7岁 vs. 43.2岁，p<0.001），且基线视力更差（平均logMAR 0.25 vs. 0.16，p=0.029），提示临床严重程度与慢性化之间存在关联。
与慢性CSC关联最强的基线OCT生物标志物为旁中央凹ONL厚度减低（相关系数r=-0.414，q<0.0001），提示早期外层视网膜变薄是不良预后信号。随机森林分类器的受试者工作特征曲线下面积（Area Under the Curve，AUC）达到0.852（95% CI：0.748–0.940），表明仅依靠基线影像即可较好地区分慢性病程。
SHAP分析明确了最重要的预测特征：较大的旁中央凹ONL厚度、较高的近中央凹PR+RPE厚度以及较大的中央SRF体积，均强烈提示急性CSC；相反，视网膜神经纤维层（Retinal Nerve Fiber Layer，RNFL）厚度增加、PED体积增大，以及扁平型PED和高反射灶概率升高，则提示慢性CSC。
这些发现强调了通过自动化OCT分析获取的外层视网膜完整性、液体分布和RPE功能障碍定量指标的预后价值。尤为重要的是，该模型具有可解释性，有助于临床医生理解哪些影像学特征对预测结局贡献最大。
专家点评
这项研究是在将人工智能应用于视网膜疾病预后评估方面的重要进展。以往对CSC慢性化的预测主要依赖定性OCT评估或临床危险因素。作者通过系统提取多维度OCT生物标志物并结合机器学习，提供了一种更客观、可重复且预测准确性较高的工具。
旁中央凹ONL变薄可预测慢性化，这一发现与病理生理学认识一致，即在CSC中，光感受器丢失先于永久性视力下降。此外，较大的PED体积和高反射灶与慢性病程相关，可能反映了导致持续液体积聚的潜在RPE和脉络膜病变。
局限性包括回顾性设计，以及不同国际中心间影像采集方案可能存在差异；不过，样本量大且种族多样性较强，增强了结果的普适性。未来如开展前瞻性验证，并与临床变量及多模态影像整合，预测性能还可进一步提升。
结论
本多中心研究证实，基于人工智能生成的基线OCT生物标志物，采用可解释机器学习算法能够以较好准确性预测CSC的临床病程。反映外层视网膜结构完整性、液体形态学及RPE功能障碍的定量特征，是决定疾病慢性化的关键因素。
这些发现有助于及早识别持续性CSC高风险患者，支持个体化咨询和管理策略。未来研究应着重前瞻性验证这些模型，并探索其在临床工作流程中的整合，以优化CSC患者结局。
研究资助与ClinicalTrials.gov
原始发表摘要未提供研究资助来源和临床试验注册信息。
参考文献
1. Desideri LF, Eldridge N, Berger LE, et al. Interpretable Machine Learning for Course Prediction in Central Serous Chorioretinopathy Using Baseline OCT from a Multicenter Cohort. Am J Ophthalmol. 2026 Oct 8. PMID: 42849862.
2. Daruich A, Matet A, Dirani A, et al. Central serous chorioretinopathy: Recent findings and new physiopathology hypothesis. Prog Retin Eye Res. 2015 Mar;48:82-118.
3. Spaide RF, Klancnik JM Jr, Cooney MJ. Retinal pigment epithelial detachments. Retina. 2018;38(11):2092-2115.
4. Boon CJF, Breukink MB, van Grinsven MJJP, et al. Clinical features and long-term prognosis of chronic central serous chorioretinopathy. Ophthalmology. 2017 Feb;124(2):161-169.
