人工智能与新技术 2026年11月12日 深度学习通过眼底图像识别遗传性视网膜疾病 研究团队利用宽视野自发荧光(FAF)和伪彩色眼底(pCF)图像,训练了9个EfficientNet-V2-m深度学习模型,对409名患者(330例IRD患者含25种常见致病基因,79例非IRD)进行三类分类:IRD vs 非IRD、两组各5个致病基因的分组。多模态模型(FAF+pCF)表现最优,二分类准确率达0.95±0.01,基因分组准确率最高为0.92±0.03。 #人工智能#遗传性视网膜疾病#眼底影像 PubMed Ophthalmology
人工智能与新技术 2026年11月12日 混合量子卷积神经网络检测糖尿病视网膜病变 研究提出一种混合量子卷积神经网络(HQCNN)模型,用于从眼底彩色图像中自动识别糖尿病视网膜病变(DR)。该模型在Kaggle眼底图像数据库上训练和测试,评估指标包括准确率、敏感性、特异性、精确率和F1分数,结果显示准确率为98.89%,敏感性为99.37%,特异性为99.57%,精确率为98.89%,F1分数为97.58%。 #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 AI辅助视觉预警系统助力视障人士避障 研究人员开发了一套名为视觉预警系统(VAS)的AI/IoT辅助设备,采用树莓派5、LiDAR传感器和AI深度相机,基于Docker容器与ROS 2架构运行,通过蓝牙连接神经语音合成系统Piper向用户实时播报障碍物位置与性质。该系统为开源、低成本、低功耗的独立设备,旨在提升视障人士出行安全性、独立性与自信心。 #AI辅助#视障辅助#LiDAR +2 PubMed Ophthalmology
人工智能与新技术 2026年11月12日 DeepAdapter算法提升早产儿视网膜病变筛查泛化能力 研究团队开发了DeepAdapter深度学习算法,分两阶段构建:先用50万张未标注的婴儿眼底彩照进行自监督学习,再结合39456张标注图像和无监督域自适应模块,缓解训练与实际部署数据间的分布差异。该算法在独立临床中心及两个多民族公开数据集上完成外部验证,显著降低CORAL距离,提升了模型在不同人群和设备上的泛化性能。 #人工智能#早产儿视网膜病变#医学影像分析 PubMed Ophthalmology
人工智能与新技术 2026年11月12日 AI通过眼底照片评估动脉僵硬度 该研究基于北京大学第三医院连续五年收治的患者数据,回顾性分析了3088次就诊中同步采集的眼底照片与baPWV/ABI检测结果。研究人员开发了一套优化的AI系统,自动量化视网膜血管形态、视盘参数及病变数量,并发现这些AI提取的指标与baPWV和ABI存在显著相关性,验证了眼底特征作为动脉僵硬度无创生物标志物的可行性。 #AI医疗#视网膜影像#动脉僵硬度 PubMed Ophthalmology
人工智能与新技术 2026年11月12日 多模态 slit-lamp 图像识别感染性角膜炎亚型 研究团队开发了KeraFusionNet模型,融合弥散白光、裂隙光束和钴蓝光荧光染色三种常规裂隙灯图像,自动区分健康角膜、单纯疱疹性、细菌性、真菌性及其他角膜异常。在浙江眼科医院820名患者的3236张图像上准确率达87.40%,在爱尔光明眼科医院261名患者的862张图像上达83.49%,AUC最高达0.9899。 #AI辅助诊断#感染性角膜炎#多模态影像 PubMed Ophthalmology
人工智能与新技术 2026年11月12日 LiteFeatNet:轻量高效眼底多病识别模型 研究提出一种名为LiteFeatNet的轻量化卷积神经网络,专用于从眼底图像中同时识别多种视网膜疾病。该模型基于预训练NASNetMobile主干,引入中间层特征提取与空间感知特征图压缩模块,在仅用1824张图像(RFMiD数据集)、60:20:20划分下,测试准确率达90.33%,单图推理仅需4毫秒,模型体积仅19.87MB。它在多个指标上超越12种现有模型,并在外部数据集RFMiD 2.0及扩展至5类疾病的场景中保持高效稳健。 #人工智能#眼底图像#多病识别 PubMed Ophthalmology
人工智能与新技术 2026年11月12日 用神经算子快速分析泪膜破裂 研究者提出一种基于神经算子的新型计算框架,用于替代传统耗时的逆问题求解方法,以从荧光图像中快速估算泪膜厚度和渗透压。该方法依托模拟的泪膜动力学数据进行训练,旨在实现泪膜动态变化的高效、数据驱动分析。 #干眼症#泪膜#人工智能 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月12日 AI可基于初诊OCT预测糖尿病黄斑水肿一年疗效 研究团队用深度学习模型分析87只初治糖尿病黄斑水肿(DMO)眼的基线OCT图像,预测其12个月后的视力变化(BCVA)和中心视网膜厚度(CST)变化。结果显示,经图像标准化预处理后,模型对BCVA变化的预测R²达0.661,对CST变化的预测R²达0.633;区分治疗应答者的AUC分别提升至0.71(视力)和0.97(结构)。外层视网膜和视网膜色素上皮是关键预测区域。 #AI医疗#糖尿病视网膜病变#OCT Nature - Eye Research
人工智能与新技术 2026年11月12日 基于深度学习的非洲裔原发性开角型青光眼筛查模型 原发性开角型青光眼(POAG)是一种导致失明的重要疾病,尤其在非洲裔人群中发病率较高。然而,现有的AI筛查模型数据集中,非洲裔人群的数据代表性不足。本研究开发了一种基于深度学习的POAG筛查模型,使用了来自Primary Open-Angle African American Glaucoma Genetics (POAAGG)项目的64,129张眼底照片,包括1782例病例和682例对照组。该模型通过二分类器选择最具信息量的六张图像,并利用Vision-Transformer预测每张图像的POAG概率,最终通过平均概率进行诊断(AUC=0.925)。该模型在REFUGE-1数据集(中国人群)上也进行了验证(AUC=0.920),显示出其在不同人群中的普适性和有效性。该模型有望在初级保健机构及资源匮乏地区实现POAG的大规模筛查。 #人工智能#青光眼#筛查 PubMed Ophthalmology
人工智能与新技术 2026年11月12日 ChatGPT-4文本分析区分眼表肿瘤的准确性研究 研究评估了ChatGPT-4基于结构化文字报告(含病史、裂隙灯检查、AS-OCT和IVCM描述)区分结膜上皮内瘤变(CIN)、翼状胬肉和假性胬肉的能力。共纳入60例经组织病理确诊的病例(各20例),由三位角膜眼表专家作为金标准。结果显示,ChatGPT-4对CIN识别准确率为85%,翼状胬肉75%,假性胬肉70%;治疗建议与专家一致率达80%,其中CIN病例达90%。 #AI医疗#眼表疾病#诊断辅助 PubMed Ophthalmology
人工智能与新技术 2026年11月12日 融合Transformer框架SwinCup-DiscNet助力青光眼早期诊断 青光眼是全球永久性视力障碍的主要原因之一,其病理机制涉及视神经头(ONH)的进行性破坏。早期检测对于预防视力丧失至关重要。本研究提出了一种新的融合Transformer框架SwinCup-DiscNet,该框架结合了视盘和视杯特征以及基于U-Net的注意力机制,以实现更有效的青光眼筛查。通过提取视盘和视杯的形状描述符,并结合Swin Transformer编码器提取的眼底图像特征,该模型能够综合评估垂直杯盘比(CDR),并最终通过概率融合方法获得青光眼分类。实验结果表明,SwinCup-DiscNet在三个公开数据集(LAG、ACRIMA和DRISTHI-GS)上的表现优于传统的基于CNN的模型和其他仅基于分割的方法,在DSC IoU、准确率、F1分数和CDR MAE等指标上均表现出色。这证明了SwinCup-DiscNet在临床应用中的鲁棒性、可靠性和可解释性。 #青光眼#人工智能#眼科诊断 PubMed Ophthalmology