基于RETFound模型的DRIL自动分类方法
摘要
研究提出一种结合临床知识的深度学习方法，利用眼科医生标注的黄斑中心1毫米区域作为感兴趣区（ROI），对糖尿病性黄斑水肿（DME）患者的OCT图像进行DRIL（视网膜内层结构紊乱）自动分类。研究采用RETFound基础模型，在保守微调策略下于独立测试集上达到平均准确率0.9339、AUC 0.9660，优于多种CNN模型。结果表明，解剖定位引导的AI建模可提升DRIL识别稳定性与泛化能力。
信息来源： PubMed Ophthalmology 发布于 2026年5月27日
要点速览
- 研究使用RETFound基础模型，结合眼科医生标注的黄斑中心1毫米区域进行DRIL自动分类
- 采用保守微调策略，在独立测试集上实现平均准确率0.9339、AUC 0.9660
- 该方法显著优于MobileNetV2、EfficientNetB0等5种CNN模型，且经5折交叉验证和Wilcoxon检验验证稳健性
本站解读
这项研究的核心突破在于：不是让AI‘看整张OCT图’，而是先由医生标出最关键的黄斑中心1毫米区域，再让RETFound模型专注分析这个小而关键的区域——结果准确率达0.9339，AUC接近0.97，明显压倒MobileNetV2等传统CNN模型。样本虽未说明具体病例数，但训练/测试集按85%:15%划分，并经5折交叉验证和Wilcoxon统计检验，设计严谨，结论可信度高。
不过，这仍是实验室阶段成果：模型依赖专家手动标注黄斑中心坐标，尚未嵌入临床OCT设备工作流；也未在真实门诊场景中测试效率与误判率。短期内难直接替代医生判读，更可能先作为辅助工具嵌入报告系统，帮医生快速标记可疑DRIL区域。
普通人无需因此改变日常行为，也不必担心‘AI代替医生’——DRIL本身是专业影像征象，患者无法自查。如有糖尿病且视力变化，如有疑虑可咨询眼科医生。国内情况有待确认。
常见问题
AI能自己看出我有没有糖尿病黄斑水肿吗？
不能。这项研究中的AI只针对OCT图像里的一个特定征象（DRIL）做分类，而糖尿病黄斑水肿的诊断需要综合视力、眼底照相、OCT多参数及医生判断。AI目前只是辅助工具，不能单独下诊断。如有糖尿病且出现视物模糊、变形，如有疑虑可咨询眼科医生。
以后查眼底还要医生看吗？
仍需医生主导。该AI模型依赖医生预先标注黄斑中心坐标，且仅输出DRIL这一项指标，无法替代医生对水肿程度、病因、治疗方案的综合评估。它未来可能缩短报告生成时间，但诊断责任和决策权仍在医生手中。
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。
AI-OCT系统可大幅减少糖尿病黄斑水肿误转诊
研究在香港开展，先通过603名糖尿病患者进行前瞻性静默验证，再在276名疑似糖尿病黄斑水肿（DME）患者中开展非劣效性随机对照试验。AI-OCT系统结合图像质量评估、DME检测与不确定性标记功能，在干预组中将DME误转诊率从69.1%降至24.1%，绝对下降45%，且敏感性保持100%。
OCT扫描密度影响AI对糖尿病黄斑水肿中IRF体积的量化准确性
研究纳入401只糖尿病黄斑水肿（DME）眼，同次就诊内用同一设备分别采集97、49和25条B扫OCT图像。通过CE认证的深度学习模型量化IRF体积、SRF体积、炎症性高反射灶（I-HRF）数量及光感受器完整性指标。结果显示，除IRF体积外，其余指标在三种扫描密度下均稳定；25扫协议高估IRF体积约0.077–0.079 mm³，且误差随IRF总量增加而扩大（阈值约1.1 mm³）。49扫方案在速度与精度间取得最佳平衡。