LiteFeatNet：轻量高效眼底多病识别模型
摘要
研究提出一种名为LiteFeatNet的轻量化卷积神经网络，专用于从眼底图像中同时识别多种视网膜疾病。该模型基于预训练NASNetMobile主干，引入中间层特征提取与空间感知特征图压缩模块，在仅用1824张图像（RFMiD数据集）、60:20:20划分下，测试准确率达90.33%，单图推理仅需4毫秒，模型体积仅19.87MB。它在多个指标上超越12种现有模型，并在外部数据集RFMiD 2.0及扩展至5类疾病的场景中保持高效稳健。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- LiteFeatNet在RFMiD数据集上实现90.33%测试准确率，单图推理耗时仅4毫秒，模型大小为19.87MB。
- 采用预训练NASNetMobile主干，结合中间层特征提取与空间感知特征图压缩模块，降低参数量与计算需求。
- 在外部数据集RFMiD 2.0及扩展至5类疾病的场景中仍保持竞争力，验证了框架的泛化性与可扩展性。
本站解读
这项研究本质上是给基层眼科筛查‘减负’：LiteFeatNet不是追求更高精度的‘尖子生’，而是把准确率稳定在90%以上的同时，把模型体积压到20MB以内、单图分析快到4毫秒——这意味着它能跑在普通手机或便携式眼底相机上，不依赖云端或高性能服务器。样本量1824张虽不算大，但采用标准三阶段划分和外部验证（RFMiD 2.0），设计扎实；更关键的是它通过中间层特征精炼而非堆参数来提效，这种思路比单纯压缩模型更有临床迁移潜力。
不过，论文结果全来自公开数据集，尚未见真实诊室环境下的部署报告，从代码到医院设备嵌入、医生工作流整合、误报漏报反馈闭环，还有至少1–2年的工程化与验证距离。普通人无需因此改变任何行为，也无需担心‘AI会取代医生’——它只是让一次眼底拍照后多病初筛更快、更省资源。国内情况有待确认。
常见问题
这个AI模型能直接帮我查出有没有糖尿病眼病或者青光眼吗？
目前还不能直接用于个人诊断。LiteFeatNet是在实验室数据集上验证的算法模型，需集成进合规医疗设备并经临床验证后才可能辅助医生判读。它不替代医生，也不提供独立诊断结论。如有疑虑可咨询眼科医生。
听说这个AI特别快，是不是以后拍个眼底照马上就知道得什么病了？
论文显示它单图推理只要4毫秒，但这是在理想计算环境下测得的纯算法速度。实际应用还需图像采集质量控制、设备兼容、结果可视化、医生复核等环节，整体流程远不止‘拍照即出结果’。技术落地仍需时间。
延伸阅读
视网膜图像可估算血红蛋白浓度
一项发表于《Eye》期刊的评论文章，评述了利用基础模型从眼底彩照中估算血红蛋白浓度并评估贫血风险的研究。该研究基于人工智能技术，尝试通过非侵入方式筛查贫血，相关成果于2026年10月17日在线发表。
OpthaNet：轻量化AI模型提升眼病图像分类精度
该研究针对白内障、糖尿病视网膜病变和青光眼三类眼病，基于眼底图像开发了名为OpthaNet的注意力增强型AI分类架构。研究人员对EfficientNetB3、MobileNetV2和视觉Transformer三种模型进行定制优化，分别引入注意力特征精炼模块、OpthaHead分类器和META定制策略。结果显示，优化后的EfficientNetB3准确率达96.04%，较基线提升10.84%；MobileNetV2提升11.26%；视觉Transformer经META定制后性能提升超18%。
全球首个眼科基础模型Global RETFound启动
研究团队发起国际协作计划，开发名为Global RETFound的开源眼科基础模型，使用合成与匿名真实眼底彩照预训练。截至2026年7月10日，已有78国232家机构加入，39国提交88项数据资产（生成式AI权重或真实眼底照片）。目标是提升模型对拉丁美洲、非洲、中东和中亚等代表性不足人群的泛化能力，推动公平、可推广的眼科及系统性疾病AI应用。