LCNet：轻量级视网膜血管分割网络
摘要
研究者提出一种名为LCNet的轻量级U型深度学习网络，用于眼底图像中的视网膜血管分割。该模型采用深度可分离卷积、协同坐标注意力模块和空洞空间金字塔池化模块，并引入四个侧向输出层增强监督。在DRIVE、STARE、CHASEDB1和IOSTAR四个公开数据集上，全局准确率分别达96.02%、97.95%、97.95%和97.77%，参数量仅2.65M，计算量为21.2 GFLOPs。
信息来源： PubMed Ophthalmology 发布于 2026年3月6日
要点速览
- LCNet在四个标准数据集上实现96.02%–97.95%的全局准确率，参数量仅2.65M。
- 模型采用深度可分离卷积、协同坐标注意力模块和空洞空间金字塔池化模块，并设四个侧向输出层。
- LCNet在含病变的眼底图像和OCTA图像上均验证有效，定位为高效率、高精度的轻量级分割模型。
本站解读
这项研究本质上是给AI‘瘦身’——在不牺牲精度的前提下，把原本臃肿的血管分割模型大幅压缩。它不是发现新病变，而是让计算机更高效、更稳定地识别眼底照片里的细小血管，尤其对模糊边界和病灶干扰下的图像表现更好。样本来自四个经典公开数据集，虽非真实临床多中心队列，但测试覆盖了不同成像条件和病变类型（包括有病变的眼底图和OCTA图像），设计合理、结果可复现，属于扎实的工程改进。
短期内难直接改变临床流程，因为LCNet仍是算法原型，未嵌入现有诊断系统，也未通过医疗器械认证。从论文到医院部署，还需集成验证、合规审批和医生工作流适配，至少需要2–3年。它真正价值在于为基层筛查设备、便携式AI辅助工具提供低功耗高精度的底层能力。国内情况有待确认。
普通人无需因此调整任何行为——这不涉及检查方式、用药或生活方式变化。如有疑虑可咨询眼科医生。
常见问题
这个新AI技术能帮我早点发现眼病吗？
目前还不能直接用于个人筛查，它是一个尚未进入临床系统的算法模型。虽然分割血管更准、更省算力，但要变成医生实际使用的工具，还需完成产品化、注册审批和医院部署。它未来可能提升AI辅助诊断设备的响应速度和稳定性，但现阶段不影响你的检查安排。如有疑虑可咨询眼科医生。
是不是以后拍眼底照就不用等那么久了？
理论上有可能。LCNet计算量仅21.2 GFLOPs，比多数同类模型低，意味着在手机或便携设备上运行更快、发热更低。但这取决于厂商是否采用该模型并完成软硬件整合。目前没有证据表明已有商用设备搭载LCNet，也不代表检查本身会缩短。如有疑虑可咨询眼科医生。
延伸阅读
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）。
大语言模型生成高度近视考题能力评估
研究对比了ChatGPT-5.4、Gemini 3、DeepSeek、Kimi K2.5和Doubao五款公开大模型在高度近视领域生成单选题（MCQ）的能力。每模型完成60道题，共300题，覆盖基础理论、临床案例、诊疗决策及筛查随访四类内容。所有模型结构合格率均为100%，但关键答案准确率从95.0%（Kimi K2.5、Doubao）到100.0%（ChatGPT-5.4、Gemini 3）不等。专家评审发现各模型在干扰项质量与事实准确性上存在显著差异，需人工审核方可用于教学。
AI软件自动量化地图样萎缩面积效果良好
研究评估了一款新型AI软件对年龄相关性黄斑变性（AMD）所致地图样萎缩（GA）的自动量化能力。纳入33例GA患者单眼及1例健康对照眼，共采集165次扫频源OCT图像。两名观察者盲法手动勾画GA区域，与AI结果对比显示：整体一致性极佳（Lin’s CCC=0.992），不同形态、数量病变中均保持高一致性；小病灶（<0.5 mm²）一致性略低（CCC=0.956）。软件重复性极好（ICC≥0.999）。