OpthaNet：轻量化AI模型提升眼病图像分类精度
摘要
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%。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- 研究提出OpthaNet架构，专注提升白内障、糖尿病视网膜病变和青光眼三类眼病的眼底图像多分类精度。
- 通过注意力增强模块、OpthaHead分类器和META定制策略，分别优化EfficientNetB3、MobileNetV2和视觉Transformer模型。
- 优化后EfficientNetB3准确率达96.04%，较基线提升10.84%；MobileNetV2提升11.26%；视觉Transformer性能提升超18%。
本站解读
这项研究的核心成果是：用更轻量、更适配医疗场景的AI设计，在有限数据下显著提升了三种常见眼病的图像识别准确率——比如EfficientNetB3优化后达到96.04%准确率，比原始版本高10.84个百分点。研究采用公开可得的模型架构并做针对性改造，未依赖超大算力或海量标注数据，样本虽未在摘要中说明，但聚焦‘资源受限筛查流程’，暗示其设计初衷就是面向基层或移动筛查场景，而非仅限顶级医院实验室。
它目前仍属方法学验证阶段，尚未报告临床部署效果或真实世界测试数据，因此短期内不会直接改变医生看图诊断的习惯。不过，这类模型若集成进便携眼底相机或基层筛查系统，有望成为辅助分诊工具，降低漏诊风险。国内情况有待确认。
普通人无需因此调整日常行为，也不必专门去拍眼底照——AI模型再好，也不能替代医生综合判断。如有视力变化或体检提示眼底异常，如有疑虑可咨询眼科医生。
常见问题
这个AI能代替医生看眼底照片吗？
不能代替医生。它只是辅助分类工具，准确率虽达96.04%，但仍可能漏判或误判，且不提供病因分析、分期判断或治疗建议。临床决策仍需由眼科医生结合病史、眼压、视野等多维度信息综合完成。如有疑虑可咨询眼科医生。
我体检时拍了眼底照，这个AI能马上告诉我有没有青光眼吗？
目前还不能。该AI模型处于研究验证阶段，尚未整合进常规体检系统，也未说明是否已用于实际筛查流程。即使未来应用，结果也需由医生解读并结合其他检查确认。如有疑虑可咨询眼科医生。
延伸阅读
大语言模型用于糖尿病视网膜病变患者教育的评估
研究对比了ChatGPT、Gemini、DeepSeek、Doubao、Copilot和Perplexity六款大语言模型在回答50个标准化糖尿病视网膜病变患者问题时的表现。由五名评审员依据安全、准确、共情、信息质量（DISCERN、JAMA等）、透明度和可读性等维度评分。结果显示，各模型安全响应率在86.0%至94.0%之间，准确性普遍较高，但共情能力差异明显；Perplexity在信息质量指标上得分最高，Gemini可读性最佳，但所有模型的Flesch阅读易度分均低于推荐阈值。
超广角OCTA联合临床指标识别2型糖尿病早期视网膜病变
该研究纳入1676名2型糖尿病患者，其中1047人用于训练、453人用于内部测试、176人来自社区的外部验证集。研究结合超广角光学相干断层扫描血管成像（UW-OCTA）图像与临床指标（如病程、糖化血红蛋白、低密度脂蛋白胆固醇和收缩压），构建多模态深度学习模型。结果显示，多模态模型在内部和外部验证集中AUC分别为0.921和0.849，优于仅用图像或仅用临床数据的模型，提示其有助于无创识别早期糖尿病视网膜病变。
FedMediFormer-XAI：面向糖尿病的联邦多模态AI框架
该研究提出FedMediFormer-XAI框架，整合联邦学习、多模态Transformer、扩散模型数据增强、图神经网络（GNN）药物推荐和可解释AI（XAI），用于糖尿病预测与个性化用药推荐。系统融合临床记录、眼底图像、动态血糖监测、可穿戴设备数据等多源异构信息。在代表性实现中，疾病预测准确率达94.2%，AUC-ROC为0.96；药物推荐模块NDCG达0.91。