人工智能与新技术 2026年11月16日 遗传性视网膜病:四种工具预测框内插入缺失变异的比较 框内插入缺失变异的致病性预测标准不如其他类型变异成熟。研究在遗传性视网膜病患者队列中比较了CADD、FATHMM-indel、VEST4和MetaRNN-indel四种机器学习工具,其中MetaRNN-indel总体表现最好。随后将其用于1013名未明确病因的患者,在两名无亲缘关系的患者中结合临床表型确认了两个可能致病的变异。 #遗传性视网膜病#基因变异#机器学习 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 HOG-CNN模型:公开数据集上识别糖网、青光眼和AMD 研究提出HOG-CNN混合模型,把传统的方向梯度直方图(HOG)特征与预训练网络EfficientNetB3学到的特征结合,用于眼底图像分类。在三个公开数据集上,糖尿病视网膜病变二分类准确率98.5%、AUC 99.2,五分类AUC 94.2;AMD数据集准确率92.8%、AUC 94.5;青光眼数据集准确率83.9%、AUC 87.2。 #眼底图像#深度学习#糖尿病视网膜病变 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 白内障眼底图像分级数据集CSDI:187例带诊断报告 研究团队构建了白内障严重程度与诊断图像数据集CSDI,包含187例眼底图像病例,并附详细临床诊断报告。他们还提出基于多模态大语言模型的诊断框架,可根据眼底图像做细粒度严重程度评分并生成诊断文本。作者称这是首次把该类技术用于白内障精确定量诊断。数据集和标注已公开。 #白内障#眼底图像#数据集 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 SMILE术后小有效光学区:多模态机器学习术前预测研究 这项多中心队列研究纳入634名患者的1030只眼接受SMILE手术,以术后三个月有效光学区直径小于5.5毫米为预测目标。整合角膜前表面曲率图与术前参数的模型在主验证集AUROC为0.897,优于仅用参数或仅用图像的模型;内部测试集0.957,外部测试集0.863。术中视频帧模型表现较差。 #SMILE#有效光学区#机器学习 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 大语言模型答视网膜专科认证考题:准确率对比 研究从巴西视网膜与玻璃体学会2018和2019年认证考试中选取200道选择题,测试ChatGPT-4、ChatGPT-4o和Claude 3.5 Sonnet,以首次回答为准。三位视网膜专科医生做了定性分析,准确率按官方答案核对。Claude 3.5 Sonnet为72.5%,ChatGPT-4o为66.0%,ChatGPT-4为55.5%。前两者显著优于ChatGPT-4,彼此差异无统计学意义。 #大语言模型#视网膜专科#医学教育 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 牵牛花综合征:免训练方法为罕见病眼底图像分级 医学性牵牛花综合征(MGS)是一种罕见的先天性疾病,摘要称约50%的患者伴有视网膜脱离。由于缺乏足够数据,现有依赖大数据集的AI方法难以应用。研究提出免训练方法TF-VSF,借助基础模型SAM和CLIP的先验知识,结合该病特有的病理结构,对眼底图像做分级。作者建立了含1016张MGS眼底图像的数据集,TF-VSF的准确率为95.87%,F1分数为93.50%,优于对比方法。 #牵牛花综合征#罕见病#眼底图像 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 早产儿视网膜病变:深度学习识别Plus病变和分期 研究开发了一套自动诊断系统,使用经过整理的眼底图像数据集,对早产儿视网膜病变(ROP)的Plus病变做二分类(Plus或正常),并对ROP分期(0、1、2、3期)做多分类。模型识别Plus病变的准确率为0.996,ROP分期的准确率为0.98。作者认为结果提示自动化ROP筛查有临床应用潜力,但需要多中心验证。 #早产儿视网膜病变#Plus病变#深度学习 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 眼科B超:深度学习检测视网膜脱离和玻璃体积血 研究基于YOLOv5架构开发卷积神经网络,在眼科B超图像上检测视网膜脱离(RD)和玻璃体积血(VH)。模型用2188张图像训练、1042张图像验证,并采用反锐化掩模等图像增强技术。纳入五折交叉验证的最终模型,对RD、VH以及RD合并VH的总体准确率分别为96.6%、99.2%和98.0%。作者认为在积血遮挡眼底的情况下,该算法可作为B超检查的辅助工具。 #视网膜脱离#玻璃体积血#眼科B超 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 零样本学习筛查轻度糖尿病视网膜病变:无需标注病例 研究针对深度学习依赖大量专家标注数据的问题,提出基于零样本学习的眼病检测框架,目标是轻度糖尿病视网膜病变(DR1)。研究使用作者提供的大规模眼底图像资源LCFP-14M,先用孪生网络找出病种间的相关性,再从高度相关的病种迁移知识,在不使用任何DR1标注病例的情况下检出DR1。外部测试集上准确率0.8337,精确率0.8700,召回率0.7456,F1为0.8030,ROC-AUC为0.9226。 #糖尿病视网膜病变#零样本学习#眼底图像 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 方向性OCT:12只眼验证外核层厚度测量的临床可行做法 方向性OCT可以测出不被Henle纤维层干扰的外核层(ONL)厚度。研究在12名受试者的12只眼上,用Spectralis OCT2比较不同采集方式(操作者移动OCT光束,或受试者注视内置十字的三个位置)和不同分析方式(内置自动分割、修正分割边界、手工分割)。内置自动分割测得的ONL更厚,修正分割与手工分割结果相近,各方法重复性良好。 #方向性OCT#外核层#视网膜成像 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 葡萄膜炎药物虚拟筛选:MLGT图注意力模型的计算研究 研究提出名为MLGT的图注意力网络模型,基于GATv2,整合分子图结构、化学键属性和理化描述符,用于葡萄膜炎相关化合物的虚拟筛选。模型在ChEMBL数据库整理出的葡萄膜炎相关化合物数据集上评估,准确率97.7%,F1分数97.2%,召回率96.1%,AUC-ROC为0.9156,优于对比的图学习和经典机器学习方法。消融实验表明多模态融合和注意力机制发挥了作用。 #葡萄膜炎#药物筛选#图神经网络 +1 PubMed Ophthalmology
人工智能与新技术 2026年11月16日 青光眼:房水外泌体拉曼光谱加AI模型区分患者与健康人 研究针对原发性开角型青光眼(POAG),提出基于房水外泌体光谱的诊断平台:先用抗体基底捕获房水中的外泌体,再包覆金纳米颗粒,获得拉曼信号。研究共采集7600条光谱,用于训练和评估卷积神经网络,对健康对照和青光眼患者做二分类。模型AUC为0.96,预测准确率为91%。作者认为该平台有望实现快速的个体化诊断。 #青光眼#外泌体#拉曼光谱 +1 PubMed Ophthalmology