人工智能与新技术 2026年11月12日 AI通过非视神经区域眼底图像识别颅内高压 研究开发了一种深度学习模型,用宽视野眼底图像判断患者是否存在颅内压升高合并视乳头水肿。共纳入32名患者(70张图像)和31名对照者(62张图像),分别测试模型与两位神经眼科医生在ONH未遮盖和ONH遮盖图像上的分类准确率。结果显示,模型在未遮盖图像中准确率达83%(AUC=0.94),遮盖后为79%(AUC=0.90),表现与专家相当,且不受ONH区域是否可见影响。 #AI医疗#颅内高压#眼底图像分析 PubMed Ophthalmology
人工智能与新技术 2026年11月12日 AI筛查糖尿病视网膜病变的临床部署策略研究 该研究在EyePACS公开数据集(5270张眼底照,其中1366例确诊糖尿病视网膜病变)上,对比五种AI决策策略在95%和90%两种临床敏感度要求下的表现。结果发现:单模型在95%敏感度下特异度仅17.5%;将敏感度目标降至90%可使假阳性率下降约17%,若再叠加加权集成策略,不必要转诊率比95%敏感度下单模型降低近25%;而多数投票法在两个阈值下均表现最差。 #AI医疗#糖尿病视网膜病变#医学影像 PubMed Ophthalmology
人工智能与新技术 2026年11月12日 深度学习算法可自动分割地理萎缩眼的外层视网膜结构 研究验证了一种名为NMI-Outer Retina Analyzer(NMI-ORA)的深度学习算法,用于自动分割健康人和地理萎缩(GA)患者眼中的椭圆体带(EZ)与RPE-Bruch膜复合体。研究纳入30例健康眼和30例GA眼的SD-OCT扫描数据,结果显示该算法在健康眼中平均Dice系数达0.998,在GA眼中为0.995–0.998;厚度测量误差在健康眼中仅1.42±3.39 μm(2.98%),GA眼中则升至3.61±8.62 μm(23.06%)。结论认为该工具精度接近专家人工标注。 #人工智能#地理萎缩#OCT PubMed Ophthalmology
人工智能与新技术 2026年11月12日 基于OCT的角膜混浊自动检测算法 研究开发了一种利用光学相干断层扫描(OCT)图像自动识别角膜混浊的算法,该算法结合入射角和深度依赖的角膜反射模型。研究采用回顾性横断面诊断准确性设计,训练集含49名志愿者的95只健康眼,测试集包括42名患者的50只混浊眼及35只健康眼。算法在眼水平准确率达0.93,F1分数0.94,敏感度0.96,特异度0.89,优于5名医生标注员的平均表现;像素级Dice系数为0.58,分割面积达共识标注的98%。 #OCT#角膜混浊#人工智能 PubMed Ophthalmology
人工智能与新技术 2026年11月12日 基于注意力机制的多尺度边缘感知分割与卷积Transformer框架用于青光眼自动检测 研究团队开发了一种新型AI框架,用于从眼底照相中自动检测青光眼。该框架包含对比度增强预处理、注意力引导的多尺度边缘感知分割网络(AME-SegNet)以精准分割视盘和视杯,并结合卷积Transformer(CT)进行分类。在Drishti-GS1数据集上,视盘和视杯分割Dice分数分别达97.36%和96.72%;在RIM-ONE和ORIGA-Light数据集上分类准确率分别为98.63%和98.96%,显示强泛化能力。 #青光眼#人工智能#医学影像分析 PubMed Ophthalmology
人工智能与新技术 2026年11月12日 眼底照片识别性别:视网膜不同区域贡献度量化研究 该研究用深度学习模型分析3478张眼底照片,定量评估黄斑、视盘和血管三类解剖区域对识别生物性别的贡献。模型采用两阶段注意力机制,结果显示黄斑和视盘权重相近(均约0.4),显著高于血管(0.209);整体AUC达0.861。研究按受试者划分训练/验证集,避免数据泄露,结果具可重复性。 #人工智能#眼底摄影#可解释AI PubMed Ophthalmology
人工智能与新技术 2026年11月12日 AI眼底相机由非专科人员操作筛查糖尿病视网膜病变 斯里兰卡研究测试了非专科医护人员使用Remidio FOP NM-10 AI眼底相机筛查糖尿病视网膜病变(DR)的效果。119名成人(含49名糖尿病患者)参与,设备在散瞳前后分别拍摄眼底图像,并自动生成转诊建议。散瞳前46.2%的参与者至少一只眼图像不可判读,散瞳后降至15.1%;AI诊断敏感性73.3%,特异性79.8%,图像可判读性是影响准确性的主因。 #糖尿病视网膜病变#AI辅助诊断#基层筛查 PubMed Ophthalmology
人工智能与新技术 2026年11月12日 融合深度学习与计算机视觉的干眼症自动评估系统 研究团队构建了一套结合YOLOv8深度学习模型与OpenCV图像处理算法的混合系统,用于实时眨眼监测、泪膜破裂模式(BUPs)分类及干眼症分型诊断。研究纳入95名受试者,其中干眼组65人、非干眼组30人。YOLOv8-m模型在泪膜破裂区域检测中精确率达74.6%,系统在独立测试集上实现100%眨眼监测成功率和75.47%的BUPs分类准确率。系统测得的泪膜破裂时间(STBUT)为1.99±1.36秒,略短于人工测量值(2.21±1.47秒),显示更高敏感性。 #干眼症#人工智能#泪膜破裂 PubMed Ophthalmology
人工智能与新技术 2026年11月12日 一种联合分析视网膜图像的新AI模型 研究者提出GTAM-Net模型,首次在单个端到端网络中同步完成视盘分割与糖尿病视网膜病变(DR)分级两项任务。该模型通过门控任务注意力机制动态分配共享特征,并引入多尺度特征金字塔和不确定性加权损失函数。在IDRiD、DDR等5个公开数据集上测试,视盘分割Dice分数达98.17%,DR分级准确率达99.12%,跨数据集表现稳定。 #人工智能#糖尿病视网膜病变#医学影像分析 PubMed Ophthalmology
人工智能与新技术 2026年11月12日 多平台自动机器学习筛查糖尿病视网膜病变性能对比 研究对比了6种自动机器学习(AutoML)平台在糖尿病视网膜病变(DR)筛查中的表现,使用APTOS、DDR、EyePACS等公开数据集(共约4.9万张眼底照)训练模型,并在726例患者级独立队列中测试。以人工共识判读和FDA批准的IDx-DR系统为金标准,评估其对任意DR、可转诊DR(RDR)和威胁视力DR(STDR)的识别能力。结果显示Amazon SageMaker Canvas和AutoGluon综合性能最优,RDR识别AUC达0.93–0.94;Vertex AI表现最差(RDR AUC仅0.38)。 #人工智能#糖尿病视网膜病变#筛查 PubMed Ophthalmology
人工智能与新技术 2026年11月12日 莫尔菲尔德眼医院发布大型角膜前节影像数据集CADMUS 英国莫尔菲尔德眼科医院通过INSIGHT健康数据研究枢纽,构建了名为CADMUS的大型角膜前节多模态影像数据集。该数据集涵盖2019年12月至2024年9月间22482名患者的94.5万次影像采集,包括Placido图像、OCT扫描、灰度照片及衍生角膜地形图参数,并关联电子病历中的诊断、手术、视力、验光等临床信息。数据经匿名化与标准化处理,在安全研究环境中供科研与AI开发使用。 #角膜疾病#人工智能#真实世界数据 PubMed Ophthalmology
人工智能与新技术 2026年11月12日 黄斑中心与视盘中心眼底照相在眼龄预测中的表现比较 该研究回顾性分析了5895名40岁以上患者(共12230对同日拍摄的黄斑中心与视盘中心彩色眼底照相),比较两种拍摄方式在深度学习年龄预测中的准确性及与疾病关联性。结果显示,黄斑中心照相的平均绝对误差更小(7.09年 vs 7.77年),两类预测结果整体一致性高(ICC=0.83),但存在系统性偏差。视网膜年龄差(RAG)与年龄相关性黄斑变性显著相关(OR=3.57),且该关联不受拍摄中心位置影响。 #眼底照相#深度学习#视网膜年龄 PubMed Ophthalmology