DeepAdapter算法提升早产儿视网膜病变筛查泛化能力
摘要
研究团队开发了DeepAdapter深度学习算法，分两阶段构建：先用50万张未标注的婴儿眼底彩照进行自监督学习，再结合39456张标注图像和无监督域自适应模块，缓解训练与实际部署数据间的分布差异。该算法在独立临床中心及两个多民族公开数据集上完成外部验证，显著降低CORAL距离，提升了模型在不同人群和设备上的泛化性能。
信息来源： PubMed Ophthalmology 发布于 2026年6月12日
要点速览
- DeepAdapter整合自监督学习与无监督域自适应，用于提升早产儿视网膜病变（ROP）筛查模型的泛化能力。
- 算法使用50万张未标注婴儿眼底彩照进行预训练，并基于39456张标注图像构建最终模型。
- 外部验证涵盖一个独立临床中心及两个公开多民族数据集，CORAL距离降至3.550×10⁻³。
本站解读
这项研究的核心成果是DeepAdapter算法通过融合自监督学习和无监督域自适应技术，把CORAL距离从0.297大幅压低到3.550×10⁻³，说明它确实有效缩小了训练数据与真实筛查场景之间的‘数据鸿沟’。样本量扎实——50万张未标注图像来自四家中国临床中心，39456张标注图也属较大规模，但全部为回顾性数据，缺乏前瞻性干预验证，离临床嵌入还有距离。
短期内不会改变医生操作流程：算法尚未集成进现有筛查设备，也未见临床部署报告；要真正落地，还需通过医疗器械注册、与便携式眼底相机联调、并完成大规模多中心前瞻性测试。普通人无需因此调整行为，早产儿仍按既有规范接受眼底检查，如有疑虑可咨询眼科医生。
该算法的技术路径对国内ROP智能筛查工具研发有参考价值，但国内是否已进入临床试用或获批尚不清楚。
常见问题
这个AI算法能直接帮我家早产宝宝查眼病吗？
目前还不能直接用于临床筛查。DeepAdapter仍处于研究验证阶段，尚未集成到医院常规检查设备中，也未公开报道已在真实门诊环境部署。早产儿ROP筛查仍依赖专业医生通过眼底镜或影像设备判断。如有疑虑可咨询眼科医生。
听说用了50万张照片训练，是不是特别准？
用50万张未标注图像做预训练确实增强了模型对眼底结构的通用理解能力，但准确率需看具体任务指标——原文未提供敏感度、特异度等临床性能数字。它主要解决的是跨设备、跨人群的稳定性问题，而非单纯追求单中心高准确率。
延伸阅读
联合SAM分割与时间序列分类识别水平眼震
研究提出一种基于深度学习的新方法，用于从眼动视频中自动识别水平眼震。该方法先用卷积神经网络剔除无效视频帧，再用SAM模型提取瞳孔运动轨迹，最后通过空间注意力机制和多尺度一维时序卷积分类器判断是否存在水平眼震。在临床采集的视频数据集上，瞳孔定位准确率达79.53%，眼震检测精确率达81%，优于其他同类方法。
基于注意力机制的多尺度边缘感知分割与卷积Transformer框架用于青光眼自动检测
研究团队开发了一种新型AI框架，用于从眼底照相中自动检测青光眼。该框架包含对比度增强预处理、注意力引导的多尺度边缘感知分割网络（AME-SegNet）以精准分割视盘和视杯，并结合卷积Transformer（CT）进行分类。在Drishti-GS1数据集上，视盘和视杯分割Dice分数分别达97.36%和96.72%；在RIM-ONE和ORIGA-Light数据集上分类准确率分别为98.63%和98.96%，显示强泛化能力。
自生成病灶提示的多视角糖尿病视网膜病变分级方法
研究提出一种无需外部病灶标注的端到端深度学习框架，用于多视角眼底图像的糖尿病视网膜病变（DR）自动分级。该方法通过Grade-Activated Lesion Proposal（GALP）模块动态生成每张图像中前K个高证据区域作为病灶提示，并利用Cross-View Lesion Expert Guided Regional Fusion（LGRF）模块跨视角选择性融合特征。在两个多视角DR数据集上的实验表明，该方法性能达到或超过强基线模型，且不依赖昂贵的人工病灶标注。