黄斑新生血管如何精准分型并预测抗VEGF疗效？PCO-nAMD 配对眼底影像数据集解读
新生血管性年龄相关性黄斑变性（nAMD）的个体化管理，关键在黄斑新生血管（MNV）亚型的准确分型与抗VEGF治疗反应的可信预测，但公开数据长期缺乏细粒度纵向标注。同济大学附属上海第十人民医院眼科联合上海人工智能实验室、上海交大在 Scientific Data 发布 PCO-nAMD 数据集：327 例患者配对彩色眼底照相与 OCT，附专家评定的四种 MNV 亚型，其中 101 例还带治疗前影像生物标志物与四级抗VEGF疗效标签，为多模态医学影像数据集补齐了「分型 + 疗效预测」的纵向证据链。
新生血管性年龄相关性黄斑变性（nAMD，俗称「湿性黄斑变性」）的个体化管理，卡在两个难题上：黄斑新生血管（MNV）亚型怎么分，抗 VEGF 治疗反应怎么提前估。新近上线于 Scientific Data 的一份数据描述符给出了一份答案——PCO-nAMD 数据集：327 名患者的配对彩色眼底照相（CFP）与光学相干断层扫描（OCT）影像，附专家评定的四种 MNV 亚型；其中 101 例还带治疗前影像生物标志物与四级抗 VEGF 疗效标签。这篇解读带你看看：一份能同时支撑「分型」与「疗效预测」的开源医学影像数据集，是怎么搭起来的。
研究背景：黄斑新生血管分型为什么难？
nAMD 是老年人群中心视力不可逆丧失的重要原因，核心机制是黄斑下长出异常新生血管。临床要管好它，第一步是分清 MNV 亚型：
- 分型决定治疗策略：1 型、2 型、3 型与混合型的病灶位置、来源与风险不同，抗 VEGF 药物的给药节奏与判断预后都跟着变；
- 疗效个体差异大：同样的抗 VEGF 治疗，有人应答良好、有人几乎无效，提前预测能避免「盲目治疗」；
- 公开数据缺纵向标注：现有 AMD 公开数据集大多只有单一模态或横断面标签，缺少「配对多模态 + 细粒度纵向标注」，难以支撑分型与疗效预测两类任务。
结果就是：做眼底 AI 的团队，常卡在「没有一份带亚型标签、还带治疗结局随访的配对影像资源」上。
创新点：PCO-nAMD 如何补齐「细粒度纵向标注」？
PCO-nAMD 由同济大学医学院附属上海第十人民医院眼科牵头，联合上海人工智能实验室与上海交通大学构建，核心价值在三点：
- 配对多模态：每位患者的彩色眼底照相（CFP）与 OCT 一一配对，把「眼底平面」与「视网膜断层」拼成同一病例；
- 细粒度亚型标签：专家评定四种 MNV 亚型（1 型、2 型、3 型、混合型），而非笼统的「有病 / 没病」；
- 纵向疗效标签：101 例子集额外带治疗前影像生物标志物、6 个月治疗后 OCT 随访，以及四级治疗反应标签（良好 / 部分有效 / 较差 / 无反应）。
一句话概括：它不只给了「图」，更给了「能把分型和疗效预测都跑起来」的纵向标注体系。
数据集构建方法：配对 CFP/OCT 与四类标签怎么做？
一份能用的眼底影像数据集，关键在「配对质量」与「标注质控」。PCO-nAMD 的做法分两层：
| 环节 | 做法 | 说明 |
|---|---|---|
| 配对多模态采集 | 327 例患者，CFP 与 OCT 一一配对 | 共 654 张配对影像，覆盖「平面 + 断层」 |
| 亚型标注 | 专家评定 4 种 MNV 亚型（Type 1/2/3/Mix） | 细粒度分型，而非二元标签 |
| 疗效纵向标注 | 101 例子集带治疗前生物标志物 + 6 个月随访 + 四级疗效标签 | 支撑治疗反应预测 |
医学影像标注数据这一块尤其值得关注：数据集把「治疗前影像生物标志物」单独精标出来，与四级疗效标签对齐——这正是从「看图」走向「预测结局」的关键一步。开源医学数据集要做到可复用，光堆图像数量不够，得把**「配对关系 + 亚型标签 + 纵向结局」**这条线理清楚。
数据说话：327 例配对影像 + 101 例子集的规模
从结构与评测看，这份数据集相当扎实：
- PCO-nAMD_MNV：327 名患者的配对基线 CFP + OCT，专家评定四种 MNV 亚型（1 型 / 2 型 / 3 型 / 混合型）；
- PCO-nAMD_Response：101 名患者子集，含治疗前影像生物标志物、6 个月治疗后 OCT 随访与四级治疗反应标签；
- 开放获取：完整数据经 Figshare 开放（DOI 10.6084/m9.figshare.32873501），采用 CC BY 4.0 许可。
更关键的是评测结论：两项任务（MNV 亚型分类、治疗反应预测）对当前最强的多模态大语言模型（MLLM）仍极具挑战性；而把精选生物标志物标注与影像数据结合，在 GPT-5 与 Gemini 3.1 Pro 的治疗反应预测上，始终能拿到最佳性能。这反过来说明：细粒度、纵向的医学影像标注数据，是眼底大模型突破的稀缺资源。
应用前景与局限
PCO-nAMD 打开了几条实际路径：
- MNV 亚型自动分型：为黄斑新生血管的分型识别提供配对多模态训练与评测基准；
- 抗 VEGF 疗效预测：用治疗前生物标志物 + 影像，辅助医生预判治疗反应、优化个体化方案；
- 大模型评测：为眼底多模态大模型提供一项「分型 + 预测」的硬基准。
局限也要正视：
- 规模偏小：327 例（含 101 例疗效子集）相对大规模眼底队列仍属中等，跨中心泛化需进一步验证；
- 单中心来源：数据主要来自单一临床中心，设备与人群差异可能影响跨机构迁移；
- 观察性标签：治疗反应标签基于回顾性随访，个体化因果结论仍需前瞻性试验确认。
结论
黄斑变性 AI 的瓶颈，正在从「模型不够强」转向「细粒度、纵向标注的配对多模态数据不够多」。PCO-nAMD 用**「配对 CFP + OCT + 四种 MNV 亚型标签 + 治疗前生物标志物与四级疗效纵向标签」的组合，为眼底医学影像数据集**树立了一份可复用的开放基准。
它的启示很直接：做眼底数据集的团队，与其堆「图像张数」，不如把「配对关系 + 细粒度分型 + 纵向疗效结局」做扎实——这才是分型与疗效预测真正能落地的关键。
相关问题
医学影像数据集哪里下载比较靠谱？
优先认准论文数据描述符给出的官方获取方式。PCO-nAMD 的完整数据经 Figshare 开放（DOI 10.6084/m9.figshare.32873501），采用 CC BY 4.0 许可，随 Scientific Data 论文（DOI 10.1038/s41597-026-08577-2）一并发布。避免从二手网盘或来路不明的镜像下载，以免拿到版本不一致、去标识化处理不当或标注错乱的数据。
医疗AI训练数据怎么获取？
优先找「带细粒度纵向标注」的开源队列。PCO-nAMD 的典型做法值得参考：除了配对 CFP + OCT 影像，还提供四种 MNV 亚型标签、治疗前影像生物标志物与四级疗效标签，研究者无需从零重建标注管线即可直接训练或评测。对眼底分型与疗效预测类任务，这种「影像 + 细粒度标注 + 纵向结局」的组织方式，能显著降低训练数据的获取与清洗成本。
黄斑变性 AI 需要哪些标注？
至少三类：一是 MNV 亚型标签（1 型 / 2 型 / 3 型 / 混合型），决定病灶性质；二是配对的多模态影像（CFP + OCT），把平面与断层信息拼起来；三是纵向疗效标签（良好 / 部分有效 / 较差 / 无反应）与治疗前影像生物标志物，支撑抗 VEGF 疗效预测。PCO-nAMD 正是按这一组合组织数据——只有横断面「有病 / 没病」标签，往往无法支撑个体化治疗管理。
| 论文标题 | Paired Fundus and Optical Coherence Tomography Dataset for Neovascular Age-related Macular Degeneration（面向新生血管性年龄相关性黄斑变性的配对眼底照相与 OCT 数据集） |
| 作者 | Haitao Liu、Zhenyu Tang、Xin Liao（共同第一作者）、Lilong Wang、Xiaosong Wang、Qing Peng、Xiaoqiang Liu（通讯作者 Lilong Wang、Qing Peng、Xiaoqiang Liu） |
| 机构 | 同济大学医学院附属上海第十人民医院眼科、上海人工智能实验室、上海交通大学 |
| 期刊 | Scientific Data（Nature Portfolio） |
| 发表时间 | 2026-10-17 在线发表（2026-10-13 录用） |
| DOI | 10.1038/s41597-026-08577-2 |
| 数据获取 | Figshare（DOI 10.6084/m9.figshare.32873501），CC BY 4.0 |
论文原文信息地址：https://www.simodata.cn/blog/2026-10-30-pco-namd-amd-fundus-oct/
参考文献
- Liu H, Tang Z, Liao X, Wang L, Wang X, Peng Q, Liu X. Paired Fundus and Optical Coherence Tomography Dataset for Neovascular Age-related Macular Degeneration. Scientific Data, 2026. DOI: 10.1038/s41597-026-08577-2