MultiRetNet：融合眼底与OCT图像的糖尿病视网膜病变分级与DME检测模型
摘要
研究提出一种名为MultiRetNet的轻量级可解释AI模型，能同时完成糖尿病视网膜病变（DR）严重程度分级和糖尿病性黄斑水肿（DME）检测。该模型融合同一就诊中采集的彩色眼底照和光学相干断层扫描（OCT）图像，采用双EfficientNet-B0主干网络分别提取特征后拼接，再通过共享全连接层实现多任务学习。研究在425对（共850张）配对图像组成的私有数据集上训练并验证。
信息来源： PubMed Ophthalmology 发布于 2026年5月28日
要点速览
- 研究构建了MultiRetNet模型，可同步完成DR三分类分级和DME二分类检测。
- 模型采用特征级融合策略，使用两个独立预训练的EfficientNet-B0网络分别处理眼底与OCT图像，再拼接2560维联合特征。
- 训练与评估基于425对（850张）配对眼底-OCT图像组成的私有数据集。
本站解读
这项研究的核心突破在于用一个模型同步解决DR分级和DME检测两个临床关键问题，且明确依赖‘同次就诊、同眼采集’的眼底+OCT配对图像——这比单模态AI更贴近真实筛查场景，也规避了跨设备、跨时间比对的误差风险。但样本量仅425对图像，远低于主流眼科AI模型动辄上万例的训练规模，属于早期方法学验证，尚未经过多中心、前瞻性队列检验，稳健性和泛化能力存疑。
短期内难以改变临床做法：当前系统需严格匹配成对影像，而国内多数基层筛查仍以单眼底照为主，OCT检查尚未普及，图像配对率低；模型也未公开测试性能指标（如敏感度、特异度），缺乏临床采纳所需的阈值依据。预计其真正嵌入筛查流程还需3年以上迭代与外部验证。国内情况有待确认。
普通人无需因此调整行为——这仍是实验室阶段的技术，不改变现有随访节奏或检查方式。如有糖尿病病史并出现视力变化，如有疑虑可咨询眼科医生。
常见问题
这个AI模型能直接帮我查出有没有糖尿病眼病吗？
不能。该模型尚处于研究阶段，未用于实际临床诊断，也未上市或集成到医院检查系统中。它需要同时获取同一眼睛的眼底照和OCT图像，而目前多数体检或初筛并不常规做OCT。如有糖尿病病史并出现视力模糊、视物变形等症状，如有疑虑可咨询眼科医生。
以后查糖尿病眼病是不是要多拍一张OCT？
目前不需要。现行指南仍以眼底照为一线筛查手段，OCT主要用于确诊或评估DME等特定病变。该模型虽依赖OCT，但只是技术路径选择，并未改变临床检查推荐。是否加做OCT，应由医生根据病情判断。如有疑虑可咨询眼科医生。
延伸阅读
AI分析显示DME患者外层视网膜结构损伤模式不同
研究利用AI辅助OCT技术，对1688名糖尿病性黄斑水肿（DME）患者的2355只眼进行横断面分析，量化了外界膜（ELM）和椭圆体带（EZ）中断比例及与积液、炎症灶、视力的关系。结果显示：21.9%的眼睛存在ELM中断，37.6%存在EZ中断；EZ中断更常见，且与炎症性高反射灶增多相关；ELM中断则与视力下降和浆液性视网膜下液负担关联最强。
用眼底照片估算视网膜厚度的AI模型研究
研究开发了一种基于基础模型RETFound的深度学习框架，直接从彩色眼底照片（CFP）预测光学相干断层扫描（OCT）测得的全层视网膜厚度（TRT）图。训练数据来自AI-READI（含Topcon Maestro2和Triton两种设备配对的CFP与OCT）、OCTA-500和EyePACS。发现Maestro2测得的TRT平均比Triton厚超30微米；采用‘个体化’或‘组合式’解码策略的模型对设备特异性参考值偏差约5%，而‘随机选择’策略则趋于两设备平均值。
深度学习自动识别糖尿病黄斑水肿亚型
研究团队基于3120张来自823只眼的OCT图像，构建了DME-Seg数据集，并用YOLO11x-Seg模型进行微调。该模型在病灶检测中mAP50达0.82，在像素级分割中mAP50为0.84，Dice系数分别为0.82和0.79，且在四种不同品牌OCT设备图像上表现出跨设备泛化能力。