人工智能与新技术 2026年11月16日 LBP与PDC特征加提升算法识别青光眼:准确率97.55% 研究提出一种混合方法,用局部二值模式(LBP)和枢轴分布计数(PDC)两种方法提取眼底图像特征,再用SVM、决策树、随机森林、XGBoost、LightGBM、CatBoost等多种机器学习算法分类,并用网格搜索、遗传算法、贝叶斯优化等方法调整LightGBM和CatBoost。作者报告,混合LBP-PDC方法配合CatBoost和LightGBM的最高分类准确率为97.55%。 #青光眼#眼底图像#机器学习 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 用因果干预改进多标签医学影像诊断,含眼底图像数据集 这篇论文针对多种疾病同时存在时的影像诊断,提出一个引入因果干预的框架。作者认为常见的深度学习方法依赖相关性,容易把一种病的特征误判给另一种病。新方法对潜在混杂因素建模并做后门调整。实验使用ODIR(彩色眼底照)、LID-FFA(荧光素眼底血管造影)、Endo(结肠镜)和Chestpert(X光)四个数据集,作者称其优于现有方法,代码已公开。 #人工智能#因果推断#眼底影像 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 用OCT加机器学习区分儿童多发性硬化与非炎症性神经疾病 研究使用前瞻性登记的OCT三维扫描,评估多模态机器学习能否仅凭OCT区分儿童起病的多发性硬化(POMS)与非炎症性神经疾病。纳入POMS患儿的211次扫描,以及29名对照儿童的52次扫描。早期融合模型表现最佳:AUC 0.90,准确率87%,宏平均F1 0.77;最佳单一特征模型AUC 0.84,最佳图像模型AUC 0.79;晚期融合模型准确率为82%,但在少数类上表现不佳。 #多发性硬化#OCT#机器学习 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 V-MNet:同时分割血管并分类多种眼底病的模型 研究团队提出V-MNet,一种血管引导的多任务深度学习框架,可同时完成视网膜血管分割和多种眼病分类,并用Grad-CAM热力图标出模型关注区域。研究在RFMiD、ODIR-5K、DRIVE和EyePACS-light-v2四个公开数据集上测试:血管分割的Dice系数为0.831、AUC为0.985,多病分类的平均AUC为0.978、F1值为0.935。作者称其优于单任务基线和现有先进方法。 #人工智能#眼底照片#视网膜血管 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 轻量级AI筛查致盲眼病:基于8.9万张眼底照的诊断准确性研究 研究基于89158张眼底照片构建轻量级深度学习筛查模型。内部验证平均准确率96.11%,ROC曲线下面积99.77%,特异度98.66%;两个外部数据集平均准确率90.92%,平均特异度97.03%,平均精确率89.98%。初级医生识别含病灶假阳性图像的准确率为74%,中级医生88%。作者称模型表现与中级眼科医生相当。 #致盲眼病#眼底照片#深度学习 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 OCT的AI热图谁更可信?21位专家评价三种解释方法 研究提出两阶段框架,挑选临床上合理的可解释AI热图用于视网膜OCT分类。六分类Swin Transformer模型交叉验证准确率97%,外部评估91.82%。第一阶段1名眼科医生和1名AI专家各评100张热图,保留三种方法;第二阶段21名专家五分制打分,TRAST最高,其次Grad-CAM++,CGFM最低。 #可解释AI#OCT#视网膜疾病 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 AI能从眼底照生成荧光造影图吗?两种GAN模型比较 研究用RegGAN和UWAFA-GAN两种模型,从超广角眼底照片生成合成荧光造影图,数据为2084对糖尿病视网膜病变图像。两个模型F1为0.281至0.709,SSIM为0.43至0.585。UWAFA-GAN的SSIM和PSNR更高,RegGAN与真实造影的临床对应更好,诊断准确率66.7%,对比49.2%。 #糖尿病视网膜病变#荧光素血管造影#生成对抗网络 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 AI平台用AS-OCT评估感染性角膜炎:病灶分割与三维重建 研究提出基于AS-OCT的网页版深度学习平台,自动完成感染性角膜炎的病灶分割、量化和三维可视化。模型用3130张图像训练,角膜组织Dice分数0.922,浸润病灶0.834;浸润厚度、宽度分类准确率0.802、0.905;AI与标准答案的ICC为0.961、0.960,数值上高于专家间的0.786至0.955。 #感染性角膜炎#AS-OCT#深度学习 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 MultiRetNet:融合眼底与OCT分级糖尿病视网膜病变 研究提出MultiRetNet,用两个EfficientNet-B0分别提取同一只眼、同一次就诊的眼底照片和OCT特征并融合,同时给糖尿病视网膜病变分级、检测糖尿病黄斑水肿。研究使用含425对图像的私有数据集,留出85例作为测试集:糖尿病视网膜病变准确率82.4%(AUC 0.929),黄斑水肿准确率97.6%(AUC 0.999)。作者称仍需外部验证。 #糖尿病视网膜病变#黄斑水肿#OCT +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 眼底照片AI评估15种疾病风险:真实病例准确率64.7% 研究开发了基于CAFormer B36的AI框架,可从眼底照片同时评估15种病变的风险,训练数据来自公开来源和自有临床档案,并用焦点损失和针对性过采样处理类别不平衡。在内部图像级测试集上,15类的ROC AUC为0.9524-0.9971,F1为0.8968-0.9649。在单一机构68例真实病例的探索性评估中,总体准确率为64.7%(95% CI 52.9-76.5%)。 #眼底照片#人工智能#多病种筛查 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 AI自动量化视网膜静脉阻塞黄斑水肿的OCT指标 一项回顾性单中心研究分析93只视网膜静脉阻塞相关黄斑水肿的眼,以两名盲法专家的评估为参照,验证深度学习算法量化OCT指标。AI对视网膜下液、ELM和EZ的AUC分别为0.969、0.871和0.958,kappa分别为0.807、0.788和0.914。高反射灶计数与专家相关r=0.89,ICC=0.87。影像质量判断准确率超过98%。作者称需前瞻性研究确认。 #视网膜静脉阻塞#黄斑水肿#OCT +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 近视眼的WWOP:AI量化系统发现病变面积与眼轴相关 研究开发并验证AI系统,从超广角彩色眼底照片中自动分割并量化“无压迫变白”(WWOP)病变。系统应用于119只近视眼,其中64只有WWOP(53.8%),超过96%的病变面积位于后极部以外,以颞侧和周边视网膜为主。量化指标与眼轴长度呈正相关,如总面积R=0.41,总数R=0.43(P均<0.001)。作者称该系统目前应视为研究工具,需要进一步验证。 #近视#WWOP#超广角眼底照相 +1 PubMed Ophthalmology