轻量级AI模型可实现高血压视网膜病变床旁分级
摘要
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。
信息来源： PubMed Ophthalmology 发布于 2026年8月26日
要点速览
- 研究在221名患者共478张en-face OCT图像上验证了MobileViT-XXS模型对高血压视网膜病变的四分级能力
- 采用患者级数据划分与五折软投票策略，避免数据泄露，并在NVIDIA Jetson Orin Nano设备上实测推理速度达96 FPS
- 模型对需转诊的高血压视网膜病变（≥2级）识别准确率达95.6%，敏感度95.2%，阴性预测值95.8%
本站解读
这项研究首次证明，一个仅3.83 MB的小模型能在Jetson Orin Nano这类低功耗边缘设备上，以96 FPS实时完成高血压视网膜病变的分级判断——这不是实验室里的‘纸面性能’，而是实测的端侧推理结果。样本量221例患者、478张图像在AI眼科研究中属中等偏小，但采用严格的患者级划分和五折软投票，显著降低了数据泄露风险，提升了临床泛化可信度。不过，四分类整体准确率84.4%受限于早期病变影像重叠，说明当前技术更适合‘是否需转诊’这一二分决策，而非精细分期。
短期内它不会替代医生阅片，但有望嵌入基层筛查车或社区眼底相机，让血压管理患者在测完血压后顺带完成视网膜风险初筛。国内情况有待确认。
常见问题
这个AI能帮我查出高血压对眼睛有没有伤害吗？
目前这个AI模型主要用于辅助识别高血压引起的视网膜病变是否达到需要转诊的程度（即≥2级），准确率95.6%，但它不能替代医生综合判断，也不能单独用于诊断高血压本身。如有疑虑可咨询眼科医生。
以后去社区医院拍个OCT就能知道眼睛受没受高血压影响吗？
这项技术目标是支持便携式、低功耗设备上的即时分析，理论上可集成进基层筛查系统。但目前仍处于可行性验证阶段，尚未进入常规临床部署。是否能在社区医院应用，取决于后续多中心验证及硬件整合进展。
延伸阅读
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。
中性集相似度增强的OCT图像视网膜病分类模型
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。