基于改进鲸鱼算法与卷积KAN网络的糖尿病视网膜病变分级方法
摘要
研究人员提出一种新的人工智能模型，结合ShuffleNet V2与视觉Transformer注意力机制提取眼底图像特征，再用改进鲸鱼优化算法（IWO）微调，并通过卷积Kolmogorov-Arnold网络对糖尿病视网膜病变（DR）严重程度分级。模型在EyePACS数据集上训练，在Messidor-2数据集上测试，平均准确率达93.84%，且计算资源需求较低。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- 该研究提出一种结合ShuffleNet V2、ViT注意力机制、改进鲸鱼优化算法（IWO）和卷积Kolmogorov-Arnold网络的新模型，用于糖尿病视网膜病变（DR）严重程度分级。
- 模型在EyePACS数据集上训练，采用五折交叉验证；在Messidor-2数据集上进行泛化测试。
- 在Messidor-2数据集上达到93.84%的平均准确率，且计算资源需求较低，适合算力有限的医疗场景。
本站解读
这项研究的核心成果是：用一套融合注意力机制、改进优化算法和新型网络结构的AI流程，在公开眼底图像数据集Messidor-2上实现了93.84%的DR分级准确率——比多数现有DL模型高2–5个百分点，且强调低算力部署能力，这对基层医疗机构有实际意义。
研究设计属典型的算法验证型工作：基于两个公开数据集（EyePACS训练、Messidor-2泛化测试），采用五折交叉验证，但未说明样本总量或病例数，也未涉及真实临床环境中的前瞻性测试，因此属于技术可行性验证，尚未进入临床效度评估阶段。
短期内难以改变临床做法。该模型未通过医疗器械认证，也未嵌入任何已获批的诊断系统；从论文到医院落地，还需完成临床试验、监管审批、与HIS/PACS系统集成等环节，距离常规使用至少还有数年。国内情况有待确认。
普通人无需为此调整行为。AI模型的进步不改变糖尿病患者定期眼底检查的必要性，也不替代医生判读。如有疑虑可咨询眼科医生。
常见问题
这个AI能代替医生看眼底照片吗？
不能代替。该模型目前仅在实验室数据集上验证，未获医疗器械认证，也未接入真实诊疗流程。它属于辅助工具雏形，最终判读仍需由眼科医生结合临床表现综合判断。如有疑虑可咨询眼科医生。
以后查眼底是不是不用医生看了？
不是。这项技术只是提高了AI自动分级的准确率（Messidor-2上达93.84%），但无法替代医生对血管渗漏、新生血管、黄斑水肿等关键征象的综合评估和治疗决策。AI辅助可能提升筛查效率，但诊断和处置仍须专业医生完成。
延伸阅读
用CheXNet加注意力机制提升糖网眼底图像分析
该研究提出一种融合CheXNet预训练权重与卷积块注意力模块（CBAM）的深度学习模型，用于糖尿病视网膜病变（DR）的眼底图像自动分级。模型在APTOS 2019和DDR两个公开数据集上分别达到96.12%和96.33%的准确率，优于CheXNet、DenseNet121等五种对比模型。研究还引入Grad-CAM可视化技术解释模型决策依据。
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。