深度学习优化提升脉络膜黑色素瘤识别准确率
摘要
研究者利用784名患者的864张超广角眼底照片，训练并比较了8种深度学习模型，用于区分脉络膜黑色素瘤（UM）与良性脉络膜痣。基线模型AUC为0.906，而加入健康视网膜对照组作为第三类的最优模型将AUC提升至0.987，并在UM和痣两类上分别达到0.941和0.966的F1分数。结果表明，数据质量、类别设计和上下文调优比单纯增加数据量更关键。
信息来源： PubMed Ophthalmology 发布于 2026年5月11日
要点速览
- 研究基于784名患者共864张超广角眼底照片，构建二分类及多策略深度学习模型
- 最优模型引入健康视网膜图像作为第三类，显著提升AUC至0.987，F1分数达0.941（UM）和0.966（痣）
- 数据质量、健康对照类添加和上下文输入调优被证实比单纯数据增强更关键
本站解读
这项研究发现，给AI模型‘多教一个常识’——即加入健康视网膜图像作为第三类参照——比拼命扩充病灶图片数量更有效：AUC从0.906跃升至0.987，相当于把误判率大幅压低。样本量虽仅864张图像，但全部来自真实临床场景，且采用回顾性多策略对照设计，方法扎实，结论可信度高。
不过，这仍是实验室阶段的性能突破，离医生日常调用还有距离：模型尚未嵌入现有眼科影像系统，也未经过多中心前瞻性验证。短期内不会改变基层筛查流程，但为未来AI辅助三甲医院眼肿瘤会诊提供了可复用的技术路径。
普通人无需因此改变检查习惯，UM本身罕见，且症状不具特异性；如有视力变化、视野缺损或眼前漂浮物增多等持续异常，如有疑虑可咨询眼科医生。国内情况有待确认。
常见问题
AI看眼底照就能查出脉络膜黑色素瘤吗？
目前还不能单独靠AI诊断，但这项研究显示，优化后的AI模型在区分脉络膜黑色素瘤和良性痣时AUC达0.987，准确性很高。它定位的是辅助医生快速初筛，不是替代病理检查或临床判断。实际应用中仍需医生结合眼底镜、B超、OCT等综合评估。
我体检拍了眼底照，AI能帮我提前发现这个病吗？
目前普通体检中的眼底照不会由这类AI模型分析。该技术尚处于研究验证阶段，未整合进常规筛查系统。脉络膜黑色素瘤非常罕见，多数人无需特别担忧；如出现视力下降、闪光感或视野遮挡等新发症状，如有疑虑可咨询眼科医生。
延伸阅读
人工智能在视网膜母细胞瘤和脉络膜黑色素瘤中的应用综述
这篇综述梳理了2010至2025年间AI在眼肿瘤诊疗中的进展，重点涵盖视网膜母细胞瘤的 fundus 摄影识别、脉络膜黑色素瘤与良性病变的鉴别，以及结合OCT、B超和组织病理的多模态AI模型在预后预测和治疗分层中的应用。研究指出，部分AI算法诊断准确率已达到甚至超过眼科肿瘤专家水平。
AI增强OCT可准确量化冠状动脉斑块负荷
研究团队开发了一种深度学习算法，用于全自动分析光学相干断层扫描（OCT）图像，以量化冠状动脉斑块负荷（PB）和血管尺寸。研究使用10例尸检人的心脏，对29支主要冠状动脉进行OCT和血管内超声（IVUS）成像，并与组织病理学金标准对比。共获得852个匹配的横截面数据，结果显示AI-OCT与病理结果的相关性不劣于IVUS，且无统计学显著差异。
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。