基于LBP与PDC特征融合的青光眼自动识别方法
摘要
该研究提出一种结合局部二值模式（LBP）和枢轴分布计数（PDC）的混合特征提取方法，用于分析眼底图像以识别青光眼。LBP提取纹理特征，PDC提取白像素强度与分形维数特征。研究采用CatBoost和LightGBM等机器学习模型进行分类，并通过贝叶斯优化等方法调参，最终在测试中达到97.55%的最高分类准确率。
信息来源： PubMed Ophthalmology 发布于 2026年6月23日
要点速览
- 研究提出融合LBP与PDC特征的眼底图像分析方法，用于青光眼识别。
- 使用CatBoost和LightGBM等模型分类，并通过贝叶斯优化等方法调参。
- 在实验中达到97.55%的最高分类准确率。
本站解读
这项研究本质上是用两种图像特征提取技术（LBP和PDC）拼接成新输入，再喂给调优后的CatBoost或LightGBM模型——结果跑出了97.55%的准确率。但这个数字来自算法内部交叉验证，不是在真实临床场景中对未见过的患者群体做的独立测试，样本量、数据来源、是否包含多种族/多设备采集的眼底图等关键信息原文均未披露，因此目前只能视为实验室阶段的技术验证，离实际部署还有距离。
它不会立刻改变医生看眼底照的操作：现有AI辅助诊断工具已有多款获批，本研究未说明是否集成到硬件设备、是否通过监管审批、是否支持实时分析，也未对比已有商用系统性能。真正能推动临床落地的，是后续在真实筛查场景中验证其稳定性与泛化能力。
普通人无需因此改变任何行为——这仍是后台算法优化工作，不涉及检查方式、随访频率或生活方式调整。如有疑虑可咨询眼科医生。
常见问题
这个AI检测青光眼准不准？
论文报告的最高准确率为97.55%，但这是在特定数据集和调优条件下取得的实验室结果，并非真实临床环境中的独立验证。它未说明测试数据是否来自不同医院、不同设备或不同人群，因此不能直接等同于日常使用的可靠性。如有疑虑可咨询眼科医生。
以后查青光眼是不是不用医生看了？
不是。该方法属于计算机辅助检测，仍需医生判读结果并结合眼压、视野等其他检查综合判断。目前所有获批的AI眼底分析工具都定位为‘辅助’，不能替代专业诊疗。如有疑虑可咨询眼科医生。
延伸阅读
早期青光眼视野进展预测模型比较研究
研究通过模拟早期青光眼患者的视野数据，对比四种预测方法：个体化一阶自回归模型（AR(1)）、普通线性回归（OLR）、群体级长短期记忆网络（LSTM）和朴素基线预测。结果显示，在检查次数较少时（如前6–11次），LSTM误差最低；但随着检查次数增加，尤其在中、快速进展患者中，AR(1)的预测精度反超LSTM。评估指标为RMSE和点均绝对误差（PMAE）。
基于可变形注意力ResNet与群体爬山优化的视网膜新生血管检测
研究提出一种名为DAPR-PSHO的新深度学习框架，用于从眼底图像中精准识别视网膜新生血管（RNV）。该框架结合可变形卷积与注意力机制，自适应调整感受野以捕捉异常血管结构，并通过PeriV-Transformer驱动的粒子群爬山优化算法，聚焦微小的血管周围早期病变。实验显示其准确率达0.98、精确率0.985、召回率0.986，显著优于现有模型。
两种AI系统联合使用提升青光眼筛查准确率
研究评估了Laguna ONhE和VUNO Med-Fundus AI两款商用AI系统在彩色眼底照相（CFP）上独立及联合诊断原发性开角型青光眼的准确性。共纳入193名患者370只眼（248只青光眼眼，122只健康眼），以扫频OCT和视野检查为金标准。结果显示，Laguna AUC为0.879，VUNO为0.857，二者联合达0.903，接近金标准指标GMD的0.916，差异不显著（p=0.146）。