人工智能与新技术 2026年11月16日 眼底AI评估心血管风险:与PREVENT一致性有限 一项回顾性横断面研究纳入1461名40岁及以上成人,拍摄免散瞳眼底照片,用AI平台给出视网膜心血管风险分层(Reti-CVD),并与美国心脏协会PREVENT方程比较。Reti-CVD高风险与年龄大、男性、糖尿病、高血压等相关。它对PREVENT风险阈值的区分能力为中等(AUC 0.689-0.757),分层一致性为轻微到一般(κ=0.144)。作者称结果仅为提出假设,需要前瞻性验证。 #人工智能#眼底照片#心血管风险 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 多光谱眼底成像加生成模型分类:小样本结果,最高100% 研究用多光谱眼底相机拍摄了102名患者(66名女性、36名男性,年龄19至91岁)的2040张图像,用微调的条件变分自编码器(CVAE)区分眼底健康与异常,波长范围416至1213纳米。在416至955纳米、最高分辨率(1757×1757像素)的图像组中,准确率、敏感度和特异度均达100%。其他分辨率和光谱范围的准确率为96%至98%,敏感度92%至98%,特异度97%至100%。 #多光谱成像#眼底筛查#人工智能 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 模拟医生推理的青光眼眼底AI:1077张照片的数据集 研究者构建了他们称为首个带临床标注的眼底推理数据集:1077张眼底照片,每张配有专家撰写的六步诊断报告。在此基础上,团队开发了先生成结构化临床推理、再给出诊断的视觉语言框架。生成的报告杯盘比平均绝对误差为0.070,ISNT Kendall距离为1.73,与专家报告的语义一致性最高(BERTScore-F1为0.874)。青光眼诊断的平衡准确率为94.7%,精确率为94.8%。 #青光眼#眼底照片#人工智能 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 AI无需视盘标注即可分割RNFL:Macula2Disc框架 青光眼随访依赖OCT对视盘周围视网膜神经纤维层(cpRNFL)的准确测量,但视盘标注稀缺。研究者提出Macula2Disc(M2D)框架,只用黄斑B扫描训练,在两种OCT设备上分割视盘周围图像。在1017张未标注视盘扫描(422名参与者)上,RNFL的Dice系数为87.42%,MIoU为80.43%。作者强调研究终点是技术评价,诊断性能分析仍是未来方向。 #青光眼#OCT#视网膜神经纤维层 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 自监督OCT分类方法:三个数据集准确率92%至94% 研究提出一种带局部维度正则化的自监督表示学习方法,用于视网膜OCT图像分类,目的是减少对专家标注的依赖。方法估计学习到的特征的局部内在维度,并把它放进正则化目标,同时用对数缩放和几何平均降低对异常值的敏感性。在三个独立OCT数据集上,分类准确率分别为94.35%、92.48%和92.56%。作者称与主流自监督方法相比具有竞争力。 #OCT#人工智能#自监督学习 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 多模态神经网络预测分支静脉阻塞12个月视力 这项回顾性概念验证研究用视网膜图像和临床数据训练多模态神经网络,预测未经治疗的视网膜分支静脉阻塞(BRVO)眼在抗VEGF治疗后12个月的最佳矫正视力分级。表现最好的内部模型使用OCT水平扫描、OCTA图像、基线视力、中央子区厚度、年龄和性别,采用五折交叉验证。作者指出预测表现一般,且为单中心回顾性设计、缺乏病种匹配的外部验证,需谨慎解读。 #视网膜分支静脉阻塞#人工智能#视力预测 Nature - Eye Research
人工智能与新技术 2026年11月16日 糖尿病视网膜病变AI检测:公开数据集上的算法研究,敏感度95.08% 研究者用IDRiD和Kaggle的公开眼底图像数据集,开发糖尿病视网膜病变自动检测系统,用小波滤波增强边缘,用高斯混合模型聚类提取纹理特征,再用随机森林和多层感知机分类,识别渗出、出血和微动脉瘤。随机森林分类的敏感度为95.08%,特异度为86.67%,总体准确率为95.20%。作者认为该方法可辅助眼科医生,并可用于大规模筛查。 #糖尿病视网膜病变#人工智能#眼底图像 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 AI辅助角膜塑形镜验配:3529只眼训练的多模态模型 回顾性研究收集2018至2023年3529只配戴角膜塑形镜的近视眼数据,建立多模态多任务AI模型,用于分类戴镜后的角膜地形图、预测眼轴增长,并给出镜片参数候选。三种排序模型的地形图分类准确率为0.95、0.96、0.96,眼轴增长预测准确率为0.880、0.882、0.883。作者认为模型对验配有决策支持价值。 #角膜塑形镜#人工智能#近视控制 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 大语言模型能辅助角膜塑形镜首片试戴参数选择吗 这项回顾性分析用GPT-4o、GPT-o3、GPT-4.1和Claude 3.7 Sonnet四个大语言模型分析屈光不正病例,给出角膜塑形镜首片试戴参数并评估。各模型整体质量评分(GQS)和准确性不同(P<0.001)。GPT-o3与GPT-4o最好,GQS为4.66±0.48和4.47±0.5,好评率83.3%和76.7%。作者认为模型可能支持常规决策,但需要医生核对。 #角膜塑形镜#近视#大语言模型 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 ChatGPT-4o写的眼科患者宣教单,和AAO材料比怎么样 研究取10份美国眼科学会(AAO)常见眼病宣教单的英文和西班牙文版本,让ChatGPT-4o按八年级阅读水平生成长度相当的版本,再比较可读性和内容质量。英文可读性相近(SMOG 7.86对7.49,P=0.35),西班牙文SPPI得分ChatGPT为60.26、AAO为64.82(P=0.04)。西班牙文版本的内容质量评分更高(15.83对14.23),医生评审者更偏好ChatGPT版本。 #ChatGPT#患者教育#人工智能 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 早期圆锥角膜怎么查?Corvis ST影像纹理分析研究 研究提出名为CVS-omics的影像组学方法,从Corvis ST角膜动态影像的三个形变阶段提取纹理特征,用机器学习识别亚临床期(顿挫型)圆锥角膜。共纳入410只眼,其中正常眼265只、顿挫型圆锥角膜145只,328只眼用于训练、82只眼用于测试。随机森林模型的AUC为0.989,优于传统生物力学参数的最佳AUC 0.764。作者认为该方法有望成为无创检测工具。 #圆锥角膜#Corvis ST#影像组学 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 LCNet:轻量级视网膜血管分割网络 研究团队提出LCNet,一个采用深度可分离卷积的轻量U形网络,加入协同坐标注意力模块和空洞空间金字塔池化模块,并设置四个侧输出层。在DRIVE、STARE、CHASEDB1和IOSTAR四个公开数据集上,全局准确率分别为96.02%、97.95%、97.95%和97.77%。在DRIVE上模型仅有2.65 M参数、21.2 GFLOPs。作者还在带病变的眼底图像和OCTA图像上验证了效果。 #视网膜血管#图像分割#深度学习 +1 PubMed Ophthalmology