DenseViT-OCT模型实现ERM严重度自动分级
摘要
研究团队开发了名为DenseViT-OCT的混合深度学习模型，融合密集卷积神经网络（CNN）与视觉Transformer（ViT），引入多尺度密集特征聚合等三个新模块，用于光学相干断层扫描（OCT）B扫图像的特发性黄斑前膜（ERM）严重度四分类。模型在2195张B扫图像（来自397名患者）上训练验证，内部测试集准确率达94.76%，显著优于19种主流模型；外部验证准确率90.76%，AUC达97.61%。
信息来源： PubMed Ophthalmology 发布于 2026年5月22日
要点速览
- DenseViT-OCT模型在2195张OCT B扫图像上实现ERM四分类，内部测试准确率94.76%。
- 模型融合CNN与ViT，新增多尺度密集特征聚合（MDFA）、自适应特征校准（AFC）和交叉注意力融合（CAFF）三大模块。
- 外部验证在OCTDL数据集上完成二分类（ERM vs 正常），准确率90.76%，AUC 97.61%，显示一定泛化能力。
本站解读
这项研究实现了ERM严重度从人工判读到AI自动四分类的关键跃进——不是简单区分‘有无’，而是识别轻、中、重、极重四级，直接对应临床决策节点，比如是否需手术干预。模型在2195张B扫图像上达到94.76%准确率，样本量虽未达万级，但覆盖397例患者、含多中心外部验证，设计扎实；其误差模式被描述为‘临床有意义’，说明错判多发生在相邻等级间（如中→重），而非跨级误判，这对医生辅助判断更友好。
短期内难改变一线临床做法：它尚未嵌入OCT设备工作流，也未经过前瞻性真实世界检验，更未证明能缩短诊疗路径或改善患者预后。当前定位明确是‘研究导向的决策支持框架’，而非即插即用的诊断工具。国内情况有待确认。
普通人无需因此改变任何行为——这不涉及筛查建议、生活方式调整或自我监测。它不改变患者就诊逻辑，也不替代医生判断；如有疑虑可咨询眼科医生。
常见问题
这个AI能代替医生判断我是不是要动手术吗？
不能代替。该模型仅对OCT图像进行ERM严重度分级，属于辅助工具，不输出手术建议。是否手术仍需医生结合视力、症状、眼底检查等综合判断。目前它尚未进入临床常规流程，也未证明能替代医生决策。如有疑虑可咨询眼科医生。
我做OCT检查时，医院会马上用这个AI给我出报告吗？
不会。该模型尚处于研究阶段，未集成至商用OCT设备或医院信息系统，也未通过监管审批作为医疗器械使用。目前所有OCT报告均由医生人工出具。未来是否落地取决于进一步多中心验证和产品化进展。
延伸阅读
全自动冠状动脉纤维帽厚度评估新方法
研究团队开发了名为CapSeg的全自动计算流程，用于分析偏振敏感光学相干断层扫描（IV-PS-OCT）图像中的冠状动脉纤维帽。在200张横截面图像上验证显示，CapSeg测得的最小纤维帽厚度均值为131±80 µm，与两位专家人工测量结果（137±84 µm和144±83 µm）高度一致。该流程进一步应用于38例急性冠脉综合征患者的三维病变数据，证明其可实现快速、可重复的全容积评估。
多模态OCT影像联合深度学习预测特发性黄斑前膜视力损害
研究团队基于351例特发性黄斑前膜（ERM）患者的多模态光学相干断层扫描（OCT）图像，构建了单流至八流深度学习模型，用于预测患者是否出现≤20/50的严重视力损害。模型输入包括水平/垂直B扫OCT、浅层/深层/全层OCT血管成像及视网膜厚度图。八流模型在开发集准确率达90.90%，外部验证达80.00%。热力图显示模型关注黄斑中心及旁中心区、增厚与皱褶区域。
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。