人工智能与新技术 2026年10月27日 通用AI模型在眼底照相诊断中与专家一致性低 该研究是一项小样本试点研究,比较谷歌Gemini 2.5 Flash通用多模态AI模型与视网膜专科医生对66张彩色眼底照片(CFP)的独立判读结果,并以未设盲的主治专科医生诊断为参考标准。结果显示,两位人类专家间一致性达AC2=0.67(属实质性一致),而AI模型与参考专家的一致性仅为AC2=-0.58,AI与设盲专家之间的一致性也仅AC2=-0.38,表明该AI在纯图像判读中可靠性很低。 #人工智能#眼底摄影#诊断一致性 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 合成数据+可解释AI提升糖网分级准确率 研究提出一种结合合成视网膜眼底图像与可解释机器学习的新框架,用于糖尿病视网膜病变(DR)严重程度分级。通过HSV色彩转换、GLCM纹理分析和病灶量化提取临床相关特征,用1200例合成图像训练随机森林分类器,并集成SHAP解释模块。该框架在合成数据上达到94%准确率,优于ResNet-50等主流深度学习模型,且SHAP分析显示其决策聚焦于临床上公认的渗出物等关键特征。 #人工智能#糖尿病视网膜病变#医学影像 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 MIRAGE模型整合基因与眼底图像预测高度近视风险 研究团队开发了名为MIRAGE的多模态深度学习框架,融合全外显子组基因型数据和眼底彩照,用于个体化预测高度近视风险。该模型在1991人队列中实现AUC达0.963,显著优于单一模态模型;通过可解释性分析识别出GJD2、FGF1等关键基因及视盘、黄斑等重要图像区域,并发现314对显著基因互作关系。 #高度近视#人工智能#基因风险 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 可解释AI模型GlaucoXAI用于青光眼早期筛查 研究提出一种名为GlaucoXAI的可解释人工智能诊断模型,利用眼底彩照识别早期青光眼。模型分四步:图像预处理、曲线特征提取(采用FDCT-WRP)、PCA与LDA联合降维、改进灰狼优化算法(IMGWO)调优极限学习机(ELM)进行分类。在G1020和ORIGA两个公开数据集上,准确率分别达93.87%和95.38%,高于现有方法,并通过10×5折分层交叉验证增强结果可信度。 #人工智能#青光眼#医学影像 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 联邦学习框架提升糖尿病视网膜病变筛查隐私性与可解释性 研究提出一种隐私保护型联邦混合专家(FL-MoE)深度学习框架,用于跨机构糖尿病视网膜病变(DR)分级。该框架结合可解释AI技术,在EyePACS和APTOS-2019数据集上测试了CNN、CNN-LSTM及ViT等多种主干网络。结果显示,CNN-LSTM在准确率(76.2%)、AUC(89.5%)和通信成本(比ViT低一个数量级)方面表现最优,且对数据异质性鲁棒性强,Grad-CAM可视化能粗略定位DR相关视网膜区域。 #人工智能#糖尿病视网膜病变#联邦学习 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 AI通过眼底图像识别心血管疾病风险 研究团队开发了名为AVSeg-XAI的可解释深度学习框架,用于自动区分眼底图像中的动脉与静脉,并提取34个血管几何与拓扑特征。该模型结合15项无创临床指标(如年龄、BMI、血压),在卡塔尔生物银行队列中实现了0.81的CVD风险预测AUC,女性和45–55岁人群表现更优(AUC达0.83和0.90)。研究验证了视网膜微血管作为非侵入性心血管健康标志物的可行性。 #人工智能#眼底成像#心血管风险 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 用眼底照片估算视网膜厚度的AI模型研究 研究开发了一种基于基础模型RETFound的深度学习框架,直接从彩色眼底照片(CFP)预测光学相干断层扫描(OCT)测得的全层视网膜厚度(TRT)图。训练数据来自AI-READI(含Topcon Maestro2和Triton两种设备配对的CFP与OCT)、OCTA-500和EyePACS。发现Maestro2测得的TRT平均比Triton厚超30微米;采用‘个体化’或‘组合式’解码策略的模型对设备特异性参考值偏差约5%,而‘随机选择’策略则趋于两设备平均值。 #人工智能#视网膜厚度#OCT +2 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 深度学习自动识别糖尿病黄斑水肿亚型 研究团队基于3120张来自823只眼的OCT图像,构建了DME-Seg数据集,并用YOLO11x-Seg模型进行微调。该模型在病灶检测中mAP50达0.82,在像素级分割中mAP50为0.84,Dice系数分别为0.82和0.79,且在四种不同品牌OCT设备图像上表现出跨设备泛化能力。 #糖尿病视网膜病变#人工智能#OCT PubMed Ophthalmology
人工智能与新技术 2026年10月27日 无代码AutoML实现OCT图像自动分类 研究者使用谷歌云Vertex AI平台,对434张公开OCT B扫描图像进行无代码自动机器学习建模,将图像分为ERM、LMH、MH和正常视网膜四类。模型整体平均精确率为0.988,精确率与召回率均为97.6%,其中MH和正常视网膜分类达到100%精确率与召回率。结果表明,临床医生无需编程即可快速构建高精度OCT分类模型。 #OCT#人工智能#玻璃体黄斑界面疾病 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 基于红外视频的扭转性眼震自动定位与定侧方法 该研究开发了一种可解释的极坐标光流分解框架,用于从临床红外Dix-Hallpike视频中自动识别后半规管BPPV患者的扭转性上跳眼震方向并精确定位异常事件时间点。研究采用YOLOv8n定位瞳孔、动态虹膜掩模和RAFT光流算法,将运动矢量投影至瞳孔中心极坐标系,提取切向与径向运动特征,再通过BiGRU-attention网络实现三分类判断。五折交叉验证段级准确率达94.19%,独立45例长视频测试中患者级准确率在30fps下达100%。 #BPPV#眼震分析#人工智能辅助诊断 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 达芬奇机器人模拟眼睑裂伤缝合可行性验证 研究者用戴手套+海绵构建模拟眼睑模型,套在山羊眼上进行实验,由一位累计接受12小时虚拟机器人训练的眼科医生操作达芬奇系统完成缝合。共完成前层和全层眼睑裂伤修复,耗时12分钟,未误触角膜或眼球,伤口对合满意,器械操控精准。 #机器人手术#眼睑外伤#达芬奇系统 PubMed Ophthalmology
人工智能与新技术 2026年10月27日 视网膜图像可预测生理年龄并揭示性别特异性衰老特征 研究利用英国生物银行71343名参与者的彩色眼底照片,微调RETFound基础模型预测实际年龄,平均绝对误差为2.85年。由此计算出的‘视网膜年龄差’(预测年龄减实际年龄)与心血管代谢指标、炎症水平、认知功能、全因死亡、痴呆、癌症及新发心血管疾病显著相关。全基因组分析发现多个与长寿、代谢、神经退行及年龄相关眼病相关的基因。分性别建模显示,男性更关联代谢综合征,女性则更突出视网膜血管变化,且绝经后女性的视网膜年龄差增大,临床关联模式趋近男性。 #人工智能#视网膜成像#衰老生物学 PubMed Ophthalmology