CNN、Transformer与Mamba模型在眼病分类中的性能对比
摘要
研究首次将Mamba架构应用于彩色眼底图像的多类别眼病自动分类，并在相同实验条件下对比了6种CNN、Transformer和Mamba模型在Eye Disease Image Dataset（EDID）上的表现。结果显示三类模型整体性能相近；对前三名模型进行logit级集成后略有提升，表明它们捕捉的视觉特征存在部分互补性。研究还指出，结构特征明显的眼病识别更稳定，而特征细微或重叠的类别仍具挑战性。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- 研究首次探索Mamba模型用于彩色眼底图像的多类别眼病自动分类。
- 在相同条件下对比6种CNN、Transformer和Mamba模型在EDID数据集上的性能。
- logit级集成前三模型带来轻微性能提升，表明三类模型捕获的特征存在部分互补性。
本站解读
这项研究发现，当前主流的CNN、Transformer和新兴的Mamba模型，在眼底图像多病种分类任务中实际表现旗鼓相当——不是谁碾压谁，而是‘差不多好’。样本来自公开数据集EDID，虽未说明具体图像数量，但实验设计严格统一，具备可比性；不过EDID并非临床真实世界大规模队列，泛化能力仍有待验证。
短期内很难改变临床做法：这些模型尚未嵌入任何已获批的辅助诊断系统，也未经过前瞻性临床验证。从论文到医院部署，还需通过监管审批、与电子病历整合、医生工作流适配等长链条。研究者开源了全部代码与数据划分，这对算法迭代是利好，但不等于产品落地。
普通人无需因此改变行为——这属于后台技术优化，不涉及筛查建议、设备使用或就诊节奏调整。如有疑虑可咨询眼科医生。国内情况有待确认。
常见问题
AI看眼底照片能代替医生看病吗？
不能代替。研究显示不同AI模型分类性能相近但仍有局限，尤其对特征细微或重叠的眼病识别不准；所有模型都未经临床验证，也未获监管批准用于独立诊断。AI目前只可能作为医生辅助工具，最终判断仍需专业眼科医生完成。如有疑虑可咨询眼科医生。
这个新模型（Mamba）是不是比老模型强很多？
不是。研究明确指出，在公平比较下，Mamba模型与现代CNN、Transformer模型在EDID数据集上表现相似，并未显著领先。它只是首次被尝试用于该任务，且与其他两类模型一样面临特征重叠类别的识别瓶颈。技术新颖不等于临床优势。
延伸阅读
AI辅助干燥综合征唾液腺分型研究综述
该系统性综述评估了人工智能和机器学习在干燥综合征（SjD）唾液腺组织病理与分子分析中的应用。共纳入25项研究，AI/ML识别出免疫激活、组织结构改变、上皮应激及细胞死亡等多维表型。但仅少数研究推进到功能扰动、药物测试或人体治疗反应验证。研究受限于小样本、重复使用公共数据集、方法不统一及缺乏独立验证。
多种深度学习模型用于角膜炎六分类诊断的比较研究
研究团队使用3797张裂隙灯图像，训练并对比了CNN、Transformer、自监督和视觉-语言模型在六类角膜炎（正常角膜、细菌性、真菌性、病毒性、棘阿米巴性及非感染性）分类中的表现。RegNet在图像级准确率达76.8%，EfficientNet_B0在患者级准确率为77.5%。在240张测试图上，RegNet准确率75.4%，高于资深角膜专科医生（72.7%）、初级角膜专科医生（56.3%）和初级综合眼科医生（44.4%）。研究指出模型尚不能替代医生独立诊断，需外部及前瞻性验证。
AI可替代一名医生进行眼底照相初筛
研究回顾性分析6904张眼底彩照，评估AI作为初筛者与一名医生组成双人读片流程的效果。结果显示，对糖尿病视网膜病变和视网膜静脉阻塞，AI-human组合的敏感度（0.974–0.982）和特异度（0.999–1.000）与传统双人人工读片无显著差异，且人均阅片量从2.00–2.10次降至1.02–1.11次；年龄相关性黄斑变性结果因读片组合而异，部分组合敏感度更高（0.916–0.950）。