深度学习自动识别糖尿病黄斑水肿亚型
摘要
研究团队基于3120张来自823只眼的OCT图像，构建了DME-Seg数据集，并用YOLO11x-Seg模型进行微调。该模型在病灶检测中mAP50达0.82，在像素级分割中mAP50为0.84，Dice系数分别为0.82和0.79，且在四种不同品牌OCT设备图像上表现出跨设备泛化能力。
信息来源： PubMed Ophthalmology 发布于 2026年6月1日
要点速览
- 研究使用3120张DME患者的OCT B扫图像，来自823只眼及4种不同OCT设备。
- 标注由两名中年眼科医生和一名资深视网膜专家组成的团队完成，涵盖亚型分类、定位框和像素级掩码。
- 微调后的YOLO11x-Seg模型在检测任务中mAP50(B)达0.82，在分割任务中mAP50(M)为0.84。
本站解读
这项研究实现了对糖尿病黄斑水肿亚型的自动化识别与病灶分割，核心突破在于模型在多设备OCT图像上的稳定表现——它用了Topcon、BK、VG等四类设备采集的图像训练，mAP50检测指标达0.82，说明算法不依赖单一设备，这对临床落地很关键。
但3120张B扫图像对应823只眼，样本量偏小，且为回顾性单中心数据，未说明是否覆盖不同种族、病程或治疗阶段人群，离真实世界部署还有距离。论文未报告模型在实时阅片中的耗时、误报率或医生协同工作流测试，因此短期内难直接替代人工判读。
它不会改变普通人当前的检查或随访节奏，也不意味着患者能自行解读OCT图；如有疑虑可咨询眼科医生。国内情况有待确认。
常见问题
AI能帮我看出黄斑水肿严重到什么程度吗？
目前这个模型可以自动识别糖尿病黄斑水肿的亚型并圈出病灶位置，但不能直接判断‘严重程度’——临床评估仍需医生结合视力、OCT厚度、症状等综合判断。它属于辅助工具，不是诊断结论。如有疑虑可咨询眼科医生。
以后查眼底还要拍OCT吗？这个AI能代替拍照吗？
不能代替。这个AI必须基于OCT图像才能运行，就像翻译软件需要先有文字一样。患者仍需按常规接受OCT检查，AI只是帮医生更快更准地分析图像结果。它不改变检查流程，也不减少必要影像采集。
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。
MultiRetNet：融合眼底与OCT图像的糖尿病视网膜病变分级与DME检测模型
研究提出一种名为MultiRetNet的轻量级可解释AI模型，能同时完成糖尿病视网膜病变（DR）严重程度分级和糖尿病性黄斑水肿（DME）检测。该模型融合同一就诊中采集的彩色眼底照和光学相干断层扫描（OCT）图像，采用双EfficientNet-B0主干网络分别提取特征后拼接，再通过共享全连接层实现多任务学习。研究在425对（共850张）配对图像组成的私有数据集上训练并验证。
用眼底照片估算视网膜厚度的AI模型研究
研究开发了一种基于基础模型RETFound的深度学习框架，直接从彩色眼底照片（CFP）预测光学相干断层扫描（OCT）测得的全层视网膜厚度（TRT）图。训练数据来自AI-READI（含Topcon Maestro2和Triton两种设备配对的CFP与OCT）、OCTA-500和EyePACS。发现Maestro2测得的TRT平均比Triton厚超30微米；采用‘个体化’或‘组合式’解码策略的模型对设备特异性参考值偏差约5%，而‘随机选择’策略则趋于两设备平均值。