人工智能与新技术 2026年11月16日 深度学习区分六类角膜炎:RegNet图像级准确率76.8% 研究分析3797张裂隙灯图像,分为正常角膜及细菌性、真菌性、病毒性、棘阿米巴性、非感染性角膜炎六类,比较多种深度学习模型。RegNet图像级表现最好,准确率76.8%,宏平均AUC为0.946;EfficientNet_B0患者级准确率最高,为77.5%。在240张图像的子集上,RegNet准确率75.4%,资深角膜专家72.7%,初级角膜专家56.3%,初级普通眼科医生44.4%。 #角膜炎#深度学习#裂隙灯 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 AI先读眼底照片:人机双读使人工阅片量减半 这项回顾性研究分析了一家三级筛查中心2593名患者的6904张彩色眼底照片,评估AI作为第一读片者的价值,疾病包括AMD、糖尿病视网膜病变和视网膜静脉阻塞。AI与一名医生独立读片,不一致时由第二名医生仲裁。AI-人读片每张图需1.02至1.11次人工阅读,人-人为2.00至2.10次。对糖尿病视网膜病变和视网膜静脉阻塞,两种方式的敏感度和特异度无显著差异;AMD因组合而异。 #眼底筛查#人工智能#双人读片 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 深度学习判断湿性黄斑变性何时开始抗VEGF治疗 研究开发了一个全自动深度学习系统,根据OCT影像和视力判断新生血管性年龄相关性黄斑变性何时开始抗VEGF治疗。回顾性研究纳入122名患者的207只眼,包括中期干性AMD未进展者和已进展并接受抗VEGF治疗者。判断是否需要治疗的任务中,AUC为0.73,准确率0.87,敏感度0.69,特异度0.92;外层视网膜厚度估计的NMAE为0.12。 #新生血管性黄斑变性#深度学习#抗VEGF PubMed Ophthalmology
人工智能与新技术 2026年11月16日 早期青光眼视野预测:回归模型与LSTM的模拟研究 这项模拟研究比较了四种预测早期青光眼视野的方法:个体化的一阶自回归(AR(1))和普通线性回归(OLR)、群体水平的长短期记忆网络(LSTM)以及朴素基线预测。研究用线性混合效应模型模拟早期青光眼患者数据,以第6至11次检查为预测目标,用RMSE和PMAE评估。结果显示,OLR和基线预测误差高于AR(1)和LSTM;检查次数少时LSTM表现最好,检查次数增多后AR(1)更准。 #青光眼#视野预测#LSTM +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 多模态AI读眼底:区分血管与神经退行性视网膜改变 研究团队开发RetinalVNG-Net,整合眼底照相、OCT和临床数据,对高血压视网膜病变、糖尿病视网膜病变和神经退行性相关视网膜改变做风险分层。这是一项回顾性多中心研究,纳入三个眼科中心2740名受试者,其中520人来自第三个中心,作为外部测试集。外部测试中宏平均AUC为0.944(95% CI 0.922至0.958),高于最佳单模态眼底模型的0.901。 #人工智能#眼底影像#糖尿病视网膜病变 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 眼底图像检测视网膜新生血管:DAPR-PSHO深度学习框架 研究者提出DAPR-PSHO深度学习框架,用于从眼底图像检测视网膜新生血管(RNV)。其中DAPSP-ResNet用可变形卷积适应不规则血管结构,并结合局部血管细节与全局视网膜背景;PeriV-Transformer与粒子群漫步优化则用于关注血管周围的细微变化并微调参数。摘要称模型准确率0.98、精确率0.985、召回率0.986,优于现有模型。 #视网膜新生血管#深度学习#眼底图像 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 FairEnc:兼顾公平性的青光眼检测视觉语言模型 研究者提出FairEnc,一种让视觉语言模型在预训练阶段同时减少多种敏感属性偏差的方法,涉及种族、性别、民族和语言。文本端用大语言模型生成带不同敏感属性的合成临床描述,视觉端结合互信息正则化与多判别器对抗去偏。在公开的Harvard-FairVLMed数据集上,FairEnc降低了DPD和DEOdds衡量的群体差异,诊断表现良好;在私有FairFundus数据集上,公平性收益似乎可以迁移。 #青光眼#人工智能#算法公平性 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 深度学习识别水平性眼震:瞳孔分割加时间序列分类 研究者提出一种水平性眼震检测模型:先用卷积神经网络剔除视频中的无效干扰帧,再用SAM分割模型提取瞳孔运动轨迹,最后用空间注意力和多尺度一维时间序列卷积分类器判断是否为水平性眼震。在临床采集的水平性眼震视频数据集上,瞳孔定位准确率为79.53%,眼震检测精确率为81%。作者称其明显优于其他方法。 #眼震#深度学习#前庭疾病 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 深度学习自动测量儿童斜视度:基于第一眼位照片的研究 研究开发并验证了一套两阶段人工智能系统,先用深度学习分割眼部结构,再用计算机视觉算法测量水平眼位偏斜。深度学习模型用公开眼部图像数据集训练,含11,018张图像;测量算法用三级医院的147张第一眼位照片验证。与Hirschberg角膜映光法相比,线性回归斜率0.919,组内相关系数0.98,一致性界限为-7.1至6.3棱镜度,变异系数13.5%。 #斜视#人工智能#深度学习 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 机器人持镜辅助Preserflo微分流器植入:猪眼临床前研究 一项临床前研究在猪眼上评估机器人持镜系统(OQrimo)辅助眼内内窥镜观察下植入Preserflo微分流器的可行性,并用涂黑的接触镜模拟角膜混浊。所有眼均成功植入,无术中并发症。管-内皮距离在机器人组明显更大:正常观察条件下1.96±0.27 mm对1.13±0.40 mm(p=0.009),模拟角膜混浊下1.85±0.32 mm对1.12±0.28 mm(p=0.015)。 #青光眼#手术机器人#内窥镜 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 五款大模型出高度近视选择题:结构全合格,答案准确率有差距 研究比较ChatGPT-5.4、Gemini 3、DeepSeek、Kimi K2.5和豆包五个大语言模型生成高度近视选择题的能力,每个模型60项任务共300题,用中文提示词。五个模型的结构完整性和格式合规率均为100.0%;标注答案准确率ChatGPT-5.4和Gemini 3均为100.0%,DeepSeek为98.3%,Kimi K2.5和豆包均为95.0%。作者认为仍需专家把关。 #高度近视#大语言模型#眼科教育 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 DenseViT-OCT:用OCT自动判断视网膜前膜严重程度 研究提出DenseViT-OCT,一个把密集卷积神经网络和视觉Transformer结合的深度学习模型,用于视网膜前膜(ERM)严重程度分类。模型在来自397名患者的2195张OCT B扫描图像上训练和评估,内部四分类测试集的总体准确率为94.76%,优于19个基准模型,宏平均AUC为98.95%。在公开的OCTDL数据集上做ERM与正常的二分类外部验证,准确率90.76%,AUC为97.61%。 #视网膜前膜#OCT#深度学习 PubMed Ophthalmology