合成数据+可解释AI提升糖网分级准确率
摘要
研究提出一种结合合成视网膜眼底图像与可解释机器学习的新框架，用于糖尿病视网膜病变（DR）严重程度分级。通过HSV色彩转换、GLCM纹理分析和病灶量化提取临床相关特征，用1200例合成图像训练随机森林分类器，并集成SHAP解释模块。该框架在合成数据上达到94%准确率，优于ResNet-50等主流深度学习模型，且SHAP分析显示其决策聚焦于临床上公认的渗出物等关键特征。
信息来源： PubMed Ophthalmology 发布于 2026年5月22日
要点速览
- 研究构建了含1200例合成眼底图像的平衡数据集，用于糖尿病视网膜病变严重程度分级。
- 采用HSV色彩转换、GLCM纹理分析和病灶量化提取临床相关特征，结合随机森林分类器与SHAP可解释模块。
- 框架在合成数据上实现94%准确率，超过ResNet-50、VGG16+DenseNet、EfficientNet-B0等模型。
本站解读
这项研究的核心成果是：用1200张合成眼底图训练出一个94%准确率的DR分级模型，且能清楚告诉医生‘为什么这么判’——比如明确指出渗出物是关键依据。这比黑箱式深度学习更易被临床接受，也绕开了真实标注数据稀缺的瓶颈。
但必须说清局限：样本全来自合成图像，未见真实患者验证；1200例规模偏小，且缺乏外部多中心测试。这类方法离真正进诊室还有距离，至少需在真实临床流程中验证稳定性与泛化能力。
短期内不会改变医生做法，更不会替代眼底照相或专业阅片。它是一条技术路径探索，价值在于为后续结合少量真实数据做域自适应提供基础。国内情况有待确认。
常见问题
这个AI诊断糖网靠谱吗？能直接用来看我的眼睛吗？
目前不能直接用于个人诊断，它只在合成图像上验证了94%准确率，尚未在真实患者中测试。AI模型需要经过大量真实病例验证、监管审批和医院系统对接才能临床使用。如有疑虑可咨询眼科医生。
听说AI能看懂眼底照，以后不用医生看了？
不是这样。该研究的AI仍处于实验室阶段，重点是让决策过程可解释，辅助而非替代医生。它依赖合成数据，尚未证明在真实诊疗中稳定可靠。医生结合临床经验、病史和其他检查仍是不可替代的。
延伸阅读
大语言模型用于糖尿病视网膜病变患者教育的评估
研究对比了ChatGPT、Gemini、DeepSeek、Doubao、Copilot和Perplexity六款大语言模型在回答50个标准化糖尿病视网膜病变患者问题时的表现。由五名评审员依据安全、准确、共情、信息质量（DISCERN、JAMA等）、透明度和可读性等维度评分。结果显示，各模型安全响应率在86.0%至94.0%之间，准确性普遍较高，但共情能力差异明显；Perplexity在信息质量指标上得分最高，Gemini可读性最佳，但所有模型的Flesch阅读易度分均低于推荐阈值。
超广角OCTA联合临床指标识别2型糖尿病早期视网膜病变
该研究纳入1676名2型糖尿病患者，其中1047人用于训练、453人用于内部测试、176人来自社区的外部验证集。研究结合超广角光学相干断层扫描血管成像（UW-OCTA）图像与临床指标（如病程、糖化血红蛋白、低密度脂蛋白胆固醇和收缩压），构建多模态深度学习模型。结果显示，多模态模型在内部和外部验证集中AUC分别为0.921和0.849，优于仅用图像或仅用临床数据的模型，提示其有助于无创识别早期糖尿病视网膜病变。
FedMediFormer-XAI：面向糖尿病的联邦多模态AI框架
该研究提出FedMediFormer-XAI框架，整合联邦学习、多模态Transformer、扩散模型数据增强、图神经网络（GNN）药物推荐和可解释AI（XAI），用于糖尿病预测与个性化用药推荐。系统融合临床记录、眼底图像、动态血糖监测、可穿戴设备数据等多源异构信息。在代表性实现中，疾病预测准确率达94.2%，AUC-ROC为0.96；药物推荐模块NDCG达0.91。