人工智能与新技术 2026年10月27日 眼底OCT纵向分割数据集发布 研究团队构建了一个针对特发性全层黄斑裂孔手术患者的纵向OCT影像数据集,包含2591张黄斑中心水平和垂直B扫描图像,覆盖术前及术后2周至48个月共7个时间点。所有图像均配有专家标注的12种视网膜结构的像素级分割掩膜,涵盖病理性与解剖学特征,并通过Dice系数(>0.80)验证了标注可靠性。数据集还附带nnUNet基准模型,供AI方法开发与比较。 #OCT#人工智能#黄斑裂孔 +2 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 GPT-5-Thinking辅助识别眼眶及头颈部肿瘤MRI报告 该研究在两家中心开展,纳入1000例经病理证实的眼眶或头颈部肿瘤患者,使用GPT-5-Thinking模型分析其治疗前MRI报告。模型输出良恶性判断及前三项鉴别诊断。第一阶段显示,模型对眼眶肿瘤的Top-1诊断准确率为76.7%,与亚专科医生的78.3%相近;第二阶段中,7名普通放射科医生在AI辅助下重读报告,诊断准确性提升。 #AI辅助诊断#放射影像#眼眶肿瘤 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 首个微创青光眼手术精细标注视频数据集发布 研究团队构建了全球首个针对微创青光眼手术(MIGS)的多中心、大规模、精细标注手术视频数据集,包含数百万帧影像,对术中器械与解剖结构进行双重标注。标注分为两个任务:一是识别手术不同阶段(阶段识别),二是对器械和解剖细节进行语义分割。该数据集旨在为计算机视觉模型训练提供基础资源,推动更精准、安全的计算机辅助青光眼手术发展。 #人工智能#微创青光眼手术#手术导航 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 两种AI系统联合使用提升青光眼筛查准确率 研究评估了Laguna ONhE和VUNO Med-Fundus AI两款商用AI系统在彩色眼底照相(CFP)上独立及联合诊断原发性开角型青光眼的准确性。共纳入193名患者370只眼(248只青光眼眼,122只健康眼),以扫频OCT和视野检查为金标准。结果显示,Laguna AUC为0.879,VUNO为0.857,二者联合达0.903,接近金标准指标GMD的0.916,差异不显著(p=0.146)。 #人工智能#青光眼#眼底照相 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 基于解剖分区的OCTA图像质量自动评估框架 研究团队提出一种新型OCTA图像质量评估方法,结合多区域分割(大血管、毛细血管网、FAZ)与统计校准的半监督学习。该框架使用Segment Anything模型进行解剖分区,提取边缘锐度、信噪比等可解释指标,引入0.9调制因子提升标注有限下的稳定性。在OCTA-500和独立临床数据集上,区域分割平均Dice系数达81.21%,分级准确率90.0%,Cohen kappa为0.864。 #OCTA#人工智能#医学影像质控 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 基于OCT图像的黄斑裂孔最小直径自动测量方法 研究提出一种针对光学相干断层扫描(OCT)图像的黄斑裂孔(MH)最小直径自动化测量方法。该方法分三步:先构建专用MH图像子集,再通过去噪、二值化、形态学处理和边缘检测提取裂孔两侧轮廓,最后定位两侧轮廓上距离最近的点以计算最小直径。在公开数据集上,平均距离误差(ADE)多在1像素内,相对距离误差(RDE)多数低于2.50%,最高3.29%;临床测试中单例测量耗时约4秒。 #黄斑裂孔#OCT#人工智能辅助诊断 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 动态聚合联邦学习用于视网膜静脉阻塞检测 研究提出一种新型联邦学习框架,用于在多家医疗机构间协同训练视网膜静脉阻塞(RVO)AI检测模型。该框架在服务器端根据数据分布特征,自动选择FedAvg或SCAFFOLD算法进行模型聚合,通过监测通信轮次间的归一化L2散度实现动态切换。实验在模拟的5个客户端、二分类RVO数据集上验证,覆盖IID与非IID两种数据分布场景。 #联邦学习#视网膜静脉阻塞#AI辅助诊断 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 AI模型用45°眼底照准确识别糖尿病视网膜病变 研究基于印度南部2610名40岁以上参与者的数据,训练深度学习模型分析45°和200°超广角眼底图像。结果显示,该模型在45°图像上DR分级准确率达97.24%,将漏判率从16.5%降至6.2%;Grad-CAM显示模型聚焦中央区域,血管分析发现眼底周边病变与中央血管密度、迂曲度变化相关,提示AI可捕捉亚临床血管改变。 #人工智能#糖尿病视网膜病变#眼底筛查 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 I-SCREEN:欧洲多中心AI驱动的AMD筛查与进展预测项目 I-SCREEN是一项泛欧研究项目,在六国开展,整合社区验光机构与眼科诊所资源,建立由28家社区验光机构和7家眼科诊所组成的筛查网络。项目通过OCT影像结合三项临床研究(PYRENEES、SUDETES、APENNINES),开发AI模型用于早期年龄相关性黄斑变性(AMD)识别及进展风险预测,目标是构建可推广的共享照护模式。 #AI医疗#黄斑变性#社区筛查 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 基于功能形状框架的OCT图像多发性硬化检测方法 研究提出一种基于功能形状(F-shape)的新分析框架,利用光学相干断层扫描(OCT)图像中黄斑区节细胞-内丛状层(GCIPL)厚度数据,区分多发性硬化(MS)患者与健康人。该方法将GCIPL厚度建模为F-shape对象,通过图集配准统一到公共模板,并以残差厚度作为特征训练支持向量机(SVM)分类器。结果显示,该方案在准确率、敏感性、特异性和AUC等指标上显著优于传统扇形分区方法。 #OCT#多发性硬化#生物标志物 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 智能手机离线AI可同步筛查三种眼病 研究评估了一款集成于智能手机眼底相机的离线AI系统(Medios-AI,MAI),在真实场景中同步筛查糖尿病视网膜病变(DR)、青光眼和年龄相关性黄斑变性(AMD)的效果。共纳入193名成人(371只眼),以专业医生对Zeiss Clarus 500图像的盲法判读为金标准。结果显示,MAI对任一视网膜疾病的整体敏感性达99.3%,特异性95.7%,AUC为0.99;对青光眼、AMD、DR的敏感性分别为98.2%、88.9%、84.6%。 #AI医疗#眼底筛查#远程眼科 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 AI通过OCT-A图像识别渗漏特征精准分期糖尿病视网膜病变 研究团队开发了一种结合影像组学与机器学习的新方法,利用OCT-A图像中渗漏区域的23个优化特征(如血管扭曲度、Haralick纹理、分形维数等),以FFA为金标准,对糖尿病视网膜病变(DR)进行无创分期。在99名患者、179张图像的数据集上,XGBoost模型仅用图像特征即达到96.6%准确率和98.9% AUC,显著区分中度非增殖期与早期增殖期DR。 #糖尿病视网膜病变#OCT-A#人工智能 PubMed Ophthalmology