中性集相似度增强的OCT图像视网膜病分类模型
摘要
研究者提出一种结合中性集相似度（NSS）与EfficientNetB3的深度学习框架，用于光学相干断层扫描（OCT）图像的视网膜疾病自动分类。该方法先将OCT图像转换至中性集域，用NSS联合CLAHE增强结构信息、抑制噪声与模糊性，再输入EfficientNetB3训练。实验显示，该模型整体准确率达95.25%，精确率、召回率和F1分数均超95%，优于仅用原始OCT图像训练的传统深度学习模型。
信息来源： PubMed Ophthalmology 发布于 2026年5月1日
要点速览
- 研究构建了融合中性集相似度（NSS）与EfficientNetB3的OCT图像分类模型，目标是提升视网膜疾病自动识别精度。
- 采用NSS联合CLAHE对OCT图像进行中性集域增强，以降低噪声、模糊性和不确定性，再输入深度学习模型。
- 模型在测试中达到95.25%的整体准确率，精确率、召回率和F1分数均高于使用原始OCT图像训练的对照模型。
本站解读
这项研究本质上是给OCT图像‘做了一次智能预处理’——不是靠医生肉眼调对比度，而是用中性集数学工具量化并削弱图像里的模糊、噪声和不确定性，再喂给EfficientNetB3识别。95.25%的准确率听起来很高，但需注意：摘要未说明数据集规模、来源医院数量或是否含多中心样本，也未提测试集是否独立于训练集，因此尚不能判断其在真实临床场景中的泛化能力。
短期内它不会改变医生看OCT的方式。模型尚未见于任何已知临床系统部署，也未通过FDA或CE认证；从论文到嵌入医院PACS或AI辅助诊断软件，还需完成严格的临床验证、监管审批和工程集成。国内情况有待确认。
普通人无需为此调整任何行为。这属于后台技术升级，不涉及筛查频率、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AI能直接帮我查出有没有黄斑变性吗？
不能。该模型目前仅处于研究阶段，未集成进任何临床诊断系统，也不面向患者直接使用。它需要由专业机构在标准OCT设备采集图像后运行，结果仍需医生综合判断。如有疑虑可咨询眼科医生。
以后去医院拍OCT，AI会比医生看得更准吗？
目前不会。该模型准确率虽达95.25%，但这是在特定实验条件下取得的结果，尚未经过真实门诊环境验证。AI现阶段定位是辅助工具，不能替代医生对病灶形态、病程进展和个体差异的综合评估。
延伸阅读
轻量级AI模型可实现高血压视网膜病变床旁分级
研究团队开发了可在边缘设备（如便携式终端）运行的轻量级深度学习模型MobileViT-XXS，用于从en-face OCT图像对高血压视网膜病变（HR）进行患者级四分级评估。基于221名患者的478张OCT图像，在严格患者级划分的五折交叉验证下，该模型准确率达84.4%，ROC-AUC为0.944，kappa值0.916；对需转诊的HR（≥2级）识别准确率达95.6%，敏感度95.2%。模型仅占3.83 MB内存，推理速度达96帧/秒。
AI分析显示DME患者外层视网膜结构损伤模式不同
研究利用AI辅助OCT技术，对1688名糖尿病性黄斑水肿（DME）患者的2355只眼进行横断面分析，量化了外界膜（ELM）和椭圆体带（EZ）中断比例及与积液、炎症灶、视力的关系。结果显示：21.9%的眼睛存在ELM中断，37.6%存在EZ中断；EZ中断更常见，且与炎症性高反射灶增多相关；ELM中断则与视力下降和浆液性视网膜下液负担关联最强。
眼底OCT纵向分割数据集发布
研究团队构建了一个针对特发性全层黄斑裂孔手术患者的纵向OCT影像数据集，包含2591张黄斑中心水平和垂直B扫描图像，覆盖术前及术后2周至48个月共7个时间点。所有图像均配有专家标注的12种视网膜结构的像素级分割掩膜，涵盖病理性与解剖学特征，并通过Dice系数（>0.80）验证了标注可靠性。数据集还附带nnUNet基准模型，供AI方法开发与比较。