可解释视觉Transformer用于糖尿病视网膜病变筛查
摘要
研究者提出All-ViT Hybrid框架，将多个预训练视觉Transformer模型融合，用于眼底彩照的糖尿病视网膜病变（DR）二分类分诊（无DR vs DR）。该方法在APTOS 2019数据集上实现准确率0.9754、F1值0.9761、召回率0.9866，较最优基线模型F1提升1.11个百分点。技术包括CLAHE增强、视野掩膜、分层采样、头端热身训练与部分解冻策略，并支持操作点调节和测试时增强。
信息来源： PubMed Ophthalmology 发布于 2026年6月15日
要点速览
- All-ViT Hybrid在APTOS 2019数据集上F1达0.9761，较最优基线提升1.11个百分点
- 采用CLAHE增强、视场掩膜、分层采样及头端热身+部分解冻的训练策略
- 后续将开展跨设备、跨中心的外部泛化与概率校准研究
本站解读
这项研究本质上是用更聪明的AI结构来解决眼底照片判读中的现实难题——比如拍照角度歪斜、亮度不均、病灶细微等。它没发现新病变，也没改变诊疗路径，而是把现有筛查工具做得更稳、更准、更可控：F1值0.9761意味着漏掉和误报都极少，尤其召回率0.9866说明几乎不会漏掉真患者。样本仅来自单一公开数据集（APTOS 2019），缺乏多中心、多设备的真实临床验证，属于算法层面的重要进步，但离嵌入医院工作流还有距离——需要对接PACS系统、通过监管审批、完成医生信任建设。目前没有证据表明该框架已进入临床部署，国内情况有待确认。
普通人无需因此改变行为，也不必担心‘AI取代医生’；它只是辅助筛查环节的潜在升级工具，最终判断仍由眼科医生作出。未来若落地，可能让基层或远程筛查更可靠，但前提是完成外部泛化验证和概率校准——论文明确指出下一步就要做跨设备、跨中心的测试。
常见问题
这个AI能代替医生看眼底照吗？
不能代替。它只是一个辅助分诊工具，把眼底照分为‘无DR’和‘有DR’两类，帮助优先处理高风险图像。所有结果仍需眼科医生复核确认。研究未涉及诊断决策，也未在真实门诊环境中验证，目前不具备独立临床应用资格。如有疑虑可咨询眼科医生。
用了这个AI，筛查会更准吗？
在实验室条件下确实更准：F1值0.9761，召回率0.9866，说明漏诊率极低。但这是在单一数据集上的结果，尚未验证其在不同相机、不同人群、不同光照条件下的稳定性。实际应用前还需通过多中心临床测试和监管审批。
延伸阅读
合成数据+可解释AI提升糖网分级准确率
研究提出一种结合合成视网膜眼底图像与可解释机器学习的新框架，用于糖尿病视网膜病变（DR）严重程度分级。通过HSV色彩转换、GLCM纹理分析和病灶量化提取临床相关特征，用1200例合成图像训练随机森林分类器，并集成SHAP解释模块。该框架在合成数据上达到94%准确率，优于ResNet-50等主流深度学习模型，且SHAP分析显示其决策聚焦于临床上公认的渗出物等关键特征。
人工智能在糖尿病视网膜病变中的应用进展
该综述系统梳理了人工智能在糖尿病视网膜病变（DR）中的多种应用，包括自动筛查、分级、病灶分割、多模态影像整合、个性化风险预测及代谢组学分析。研究指出，当前AI系统检测可转诊DR的诊断性能已接近甚至超过人类专家；深度学习提升了病灶识别与严重程度分级能力；但多模态融合、个性化随访和代谢组学等方向仍处于早期转化阶段。真实世界研究证实AI可提升筛查覆盖率和工作流效率，而外部验证不足、标准不统一、图像不可判读率高、设备与人群泛化性差等问题仍是落地障碍。
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。