人工智能与新技术 2026年11月16日 UPRETINA系统:AI从免散瞳眼底照片筛查多种眼底病 一项观察性横断面研究(临床试验注册号NCT04132401)评估了UPRETINA系统,由8个基于卷积神经网络的AI算法组成,分析871名成人2型糖尿病患者1652只眼的远程筛查眼底照片。检测糖尿病视网膜病变的敏感度/特异度为86.8%/95.6%,黄斑变性94.9%/94.3%,青光眼性视神经病变82.7%/92.4%。AUROC为0.9122至0.9777。 #人工智能#眼底筛查#糖尿病视网膜病变 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 台湾成本效益模型:AI辅助糖尿病视网膜病变筛查更划算 一项基于台湾数据的马尔可夫模型,从医保支付方角度比较AI辅助和眼科医生筛查糖尿病视网膜病变。模型周期1年,时间跨度10年,年折现率3%,做了10000次蒙特卡罗模拟。AI辅助筛查成本10077.34美元,眼科医生筛查8282.06美元;质量调整生命年分别为7.60和6.34。增量成本效果比为1429.19美元/QALY,低于33983美元的支付意愿阈值。作者认为AI筛查具有成本效益。 #糖尿病视网膜病变#成本效益#人工智能筛查 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 眼底图像加AI检测糖尿病大血管并发症:算法开发研究 一项研究开发并验证了基于眼底图像的AI筛查框架,用于早期发现糖尿病患者的外周动脉和主动脉疾病(PAAD)。方法结合类OCT结构特征、手工血管生物标志物和加入注意力模块的VGG16网络,并用多示例学习和多层特征融合。在独立测试集上,准确率94.6%,敏感度90.5%,特异度96.2%,AUC-ROC为0.973,单张图像推理时间约150毫秒。作者认为它可能支持更早诊断。 #糖尿病#眼底图像#人工智能 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 深度学习预测新生血管性AMD抗VEGF疗效 KongMing研究是在中国12个省18家三级转诊医院开展的前瞻性全国多中心研究,用康柏西普3+PRN方案治疗的新生血管性年龄相关性黄斑变性(nAMD)患者数据,开发预测视力和解剖预后的深度学习模型。内部数据集1226人、29772张OCT图像,外部数据集172人、3308张。预测视力变化的AUC内部测试0.948,外部测试0.941,人机对比优于不同经验的眼科医生。 #新生血管性黄斑变性#抗VEGF#深度学习 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 大语言模型审稿能力:回顾性研究发现与人类审稿人差异大 一项回顾性研究用3本眼科相关期刊的300篇随机稿件,比较ChatGPT 4o、Gemini与324名眼科医生审稿人的意见。人类审稿人拒稿比例为73.33%,ChatGPT和Gemini均为2.00%;建议大修的比例人类为22.67%,ChatGPT 68.00%,Gemini 31.33%。两款模型反复提及新颖性、样本量和清晰度,且缺乏具体性。作者认为目前不应用LLM修改稿件。 #大语言模型#同行评审#ChatGPT +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 英国试点:WhatsApp上的AI眼科健康教练E.M.M.A 英国一家眼科诊所的试点研究评估了通过WhatsApp提供的AI健康教练E.M.M.A。91名慢性眼病患者同意参加,83人使用,共分析446个对话。其中28%为语音互动,52%的用户重复使用。66人完成满意度调查,88%表示满意或非常满意,65%肯定会推荐,9%报告使用中有轻中度焦虑。两位青光眼专家对AI问答的验证得分在各领域均超过95%。 #人工智能#健康教练#患者管理 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 网页版验光工具Apollo自测屈光不正:与医生验光对比的验证研究 研究评估网页版屈光不正自测系统Apollo,与经验丰富的眼科医生做的主觉验光对比等效球镜度(SEQ)。这是一项前瞻性、单中心、单盲、非随机研究,纳入64名18至40岁健康成人的63只眼。Apollo测得平均SEQ为-1.20 D,医生验光为-1.17 D(p=0.67)。组内相关系数(ICC)总体0.69,近视亚组0.74。判断SEQ正负的准确率总体82.5%,近视亚组96.2%。 #屈光不正#数字验光#近视 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 手机裂隙灯图像能判断白内障程度吗?一项试点研究 一项前瞻性横断面试点研究在一家三级诊所,用连接智能手机的便携式裂隙灯原型,拍摄白内障患者的眼部图像,共获得99名患者198只眼的1900张图像。以散瞳后Pentacam核分级评分为参照,研究者用基于Swin Transformer的深度学习模型判断严重程度,平均准确率在未散瞳眼为81.25%,散瞳眼为74.38%。作者认为不散瞳估计白内障密度存在可能性。 #白内障#人工智能#便携式裂隙灯 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 GoCheck Kids在iPhone 15 Pro上的筛查效果验证 研究对比了GoCheck Kids(GCK)在已停产的iPhone 7+与新款iPhone 15 Pro上的照片筛查性能,并与Plusoptix A20设备及散瞳验光结果对照。共纳入136名6岁及以下儿童(4岁以下75人、4–6岁61人),按AAPOS 2021弱视风险因素标准评估。GCK15的无效图像率仅3%,优于GCK7+的9%;其准确率在学龄前和学龄组分别为86%和82%,与GCK7+和Plusoptix A20相当。 #儿童视力筛查#照片筛查#弱视风险 Clinical Ophthalmology (Dove Press)
人工智能与新技术 2026年11月16日 AI影像组学在OCT上区分获得性卵黄样病变吸收期与视网膜下积液 该研究用AI驱动的影像组学分析结构OCT图像,试图区分获得性卵黄样病变(aVLs)吸收期的低反射亚视网膜空间与中心性浆液性脉络膜视网膜病变(CSCR)中的亚视网膜积液。研究为单中心回顾性设计,纳入aVL患者与CSCR对照组,共提取520个影像组学特征,筛选出9个用于建模。基于岭回归的分类器在训练集准确率达86.5%(AUC 0.89),独立测试集准确率80%(AUC 0.92),阴性预测值达92%。 #OCT#AI影像组学#获得性卵黄样病变 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 基于眼底照相的颈动脉内中膜厚度风险分类模型 研究提出一种名为BMA-Net的双侧注意力网络,结合视网膜领域迁移学习,利用眼底照片进行基于颈动脉内中膜厚度(CIMT)的心血管风险分类。模型先在亚太远程眼科学会(APTOS)2019失明检测数据集上预训练,再迁移到中国眼底CIMT数据集进行分类。十次独立初始化实验中,验证集宏F1均值为77.81%,AUC为84.08%;测试集分别为78.29%和85.22%,各项指标点估计高于此前的Siamese ResNeXt基线模型。 #人工智能#眼底摄影#心血管风险 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 基于注意力机制与对比学习的OCT多病种AI分类模型 研究团队开发了轻量级深度学习框架AESNet-SEC,在SqueezeNet基础上融合多尺度空洞卷积、空间注意力、挤压激励重校准和对比表征学习,用于OCT图像多病种分类。模型在公开数据集Retinal OCT-C8(24,000张图像,8类)上准确率为98.56%,在伊朗Zeyaei医院前瞻性采集的临床数据集(9732张B扫描,4类)上四次重复评估准确率为96.33%–96.98%。加入高斯噪声测试时,糖尿病视网膜病变和玻璃膜疣的识别下降更明显。Grad-CAM可视化显示模型关注区域符合视网膜解剖,独立视网膜专科医生的审阅给予了定性支持。作者表示仍需更广泛的患者分离、多中心验证。 #AI#OCT#糖尿病视网膜病变 PubMed Ophthalmology