人工智能与新技术 2026年10月27日 基于猎鹰优化的深度学习模型辅助糖尿病视网膜病变诊断 研究提出一种名为FOEDLA-DRDM的新系统,用于在眼底照片中自动识别糖尿病视网膜病变(DR)。该系统先用维纳滤波去噪,再用SE-DenseNet提取图像特征,最后融合自编码器、LSTM和深度置信网络进行分类,并由猎鹰优化器(FO)调优超参数。研究在Kaggle DR数据集上验证了该模型的有效性。 #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10月27日 深度学习优化提升脉络膜黑色素瘤识别准确率 研究者利用784名患者的864张超广角眼底照片,训练并比较了8种深度学习模型,用于区分脉络膜黑色素瘤(UM)与良性脉络膜痣。基线模型AUC为0.906,而加入健康视网膜对照组作为第三类的最优模型将AUC提升至0.987,并在UM和痣两类上分别达到0.941和0.966的F1分数。结果表明,数据质量、类别设计和上下文调优比单纯增加数据量更关键。 #人工智能#脉络膜黑色素瘤#超广角眼底摄影 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 CNN、Transformer与Mamba模型在眼病分类中的性能对比 研究首次将Mamba架构应用于彩色眼底图像的多类别眼病自动分类,并在相同实验条件下对比了6种CNN、Transformer和Mamba模型在Eye Disease Image Dataset(EDID)上的表现。结果显示三类模型整体性能相近;对前三名模型进行logit级集成后略有提升,表明它们捕捉的视觉特征存在部分互补性。研究还指出,结构特征明显的眼病识别更稳定,而特征细微或重叠的类别仍具挑战性。 #AI医疗#眼底图像分析#深度学习 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 RETFound Plus:基于时序眼底照相的疾病风险预测模型 研究团队开发了RETFound Plus,一种基于彩色眼底照相(CFP)的基础模型,利用304,345名参与者、共1,304,292张多时间点眼底照片进行训练,强化对疾病进展的学习能力。相比原版RETFound,它在5年系统性疾病(如中风、心梗、糖尿病、高血压)风险预测上c-index提升4–10%,在眼部疾病(如糖尿病视网膜病变、青光眼)上提升3–7%,并在多国多族裔外部数据集中表现稳定。 #人工智能#眼底照相#疾病预测 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 OCTA眼底微血管指标可辅助预测糖尿病肾病 该研究纳入388只糖尿病患者眼睛,通过光学相干断层扫描血管成像(OCTA)量化视网膜血管密度(VD)、灌注密度(PD)和中心无血管区(FAZ)等指标,发现VD和PD随尿白蛋白/肌酐比值(UACR)升高而显著下降;在机器学习模型中加入OCTA参数后,6种算法中有4种预测性能提升,其中决策树模型AUC达0.754,表明OCTA可作为无创辅助工具用于早期识别糖尿病肾病。 #OCTA#糖尿病肾病#机器学习 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 基于RETFound模型的DRIL自动分类方法 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。 #AI#OCT#糖尿病视网膜病变 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 OCT联合OCTA参数提升高度近视人群NTG诊断准确率 该研究纳入87名高度近视患者(42例单纯高度近视,45例合并正常眼压性青光眼),通过OCT获取结构参数、OCTA获取微血管参数,构建多模态诊断模型。结果显示,下象限GCC厚度(AUC=0.85)和下象限视盘血管密度(AUC=0.72)最具判别力;三参数联合模型(下GCC厚度、颞下RNFL厚度、下VD)AUC达0.909,虽未显著优于OCT单模态模型(AUC=0.888),但显著提升风险再分类能力(NRI=0.679)。 #青光眼#高度近视#OCTA PubMed Ophthalmology
人工智能与新技术 2026年10月27日 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。 #人工智能#糖尿病视网膜病变#患者教育 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 AI自动诊断黄斑裂孔并生成结构化报告 研究团队开发了一套端到端的智能AI工作流,用改进版RETFound模型分析OCT图像,自动判断是否为黄斑裂孔,并调用GPT-4生成患者易懂的结构化报告。内部测试(n=180)准确率达100%,AUC为1.00;外部验证(n=1014)准确率98.8%,敏感度97.9%,特异度100%,AUC达0.999。Grad-CAM分析证实模型关注的是黄斑区真实病灶。 #AI诊断#OCT#黄斑裂孔 +2 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 超广角OCTA联合临床指标识别2型糖尿病早期视网膜病变 该研究纳入1676名2型糖尿病患者,其中1047人用于训练、453人用于内部测试、176人来自社区的外部验证集。研究结合超广角光学相干断层扫描血管成像(UW-OCTA)图像与临床指标(如病程、糖化血红蛋白、低密度脂蛋白胆固醇和收缩压),构建多模态深度学习模型。结果显示,多模态模型在内部和外部验证集中AUC分别为0.921和0.849,优于仅用图像或仅用临床数据的模型,提示其有助于无创识别早期糖尿病视网膜病变。 #糖尿病视网膜病变#OCTA#人工智能 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 轻量级AI模型可实现高血压视网膜病变床旁分级 研究团队开发了可在边缘设备(如便携式终端)运行的轻量级深度学习模型MobileViT-XXS,用于从en-face OCT图像对高血压视网膜病变(HR)进行患者级四分级评估。基于221名患者的478张OCT图像,在严格患者级划分的五折交叉验证下,该模型准确率达84.4%,ROC-AUC为0.944,kappa值0.916;对需转诊的HR(≥2级)识别准确率达95.6%,敏感度95.2%。模型仅占3.83 MB内存,推理速度达96帧/秒。 #人工智能#高血压视网膜病变#OCT PubMed Ophthalmology
人工智能与新技术 2026年10月27日 扩散模型辅助RP患者OCT图像EZ区自动分割 研究团队开发了DPUN和DPUN-CAP两种算法,用于自动分割视网膜色素变性(RP)患者的光学相干断层扫描(OCT)图像中的椭圆体带(EZ)区域。方法在一项纳入60名参与者的国际III期临床试验(NCT05537220)基线OCT数据上验证,DPUN-CAP结合中心扫描人工标注后性能最优,其EZ面积测量结果与人工测量一致,适用于以EZ面积为关键终点的临床试验及疾病进展监测。 #AI医学影像#视网膜色素变性#OCT PubMed Ophthalmology