多频上下文注意力网络用于糖尿病视网膜病变分类
摘要
研究提出一种新型深度学习模型MFCA-DRNet，用于糖尿病视网膜病变（DR）自动分类。该模型采用自监督对比学习预训练、自适应图像增强方法，并引入多频上下文注意力模块（MFCA），以更好捕捉视网膜图像中分散病灶的长程关联。在DDR、APTOS 2019和Messidor-2数据集上验证，尤其在APTOS 2019数据集上表现出高准确率、精确率和召回率。
信息来源： PubMed Ophthalmology 发布于 2026年2月24日
要点速览
- MFCA-DRNet是一种用于糖尿病视网膜病变分类的新型深度学习网络
- 模型采用自监督对比学习预训练、自适应图像增强及多频上下文注意力模块（MFCA）
- 在APTOS 2019等公开数据集上验证了其分类性能
本站解读
这项研究开发了一个叫MFCA-DRNet的AI模型，核心突破是用‘多频上下文注意力’模块来识别糖尿病视网膜病变中那些细小、分散又容易被忽略的病灶——比如微动脉瘤或出血点，这正是临床阅片最易漏诊的部分。它不依赖大量人工标注数据，而是通过EyePACS数据集做自监督预训练，再结合图像去噪与对比度增强，提升了输入质量。
研究设计属于算法验证型，基于公开数据集（如APTOS 2019）测试性能，但未报告具体样本量或真实世界临床部署结果，因此尚属实验室阶段；这类模型要进入医院PACS系统或获监管批准，还需通过前瞻性多中心临床验证和合规性审查。
短期内不会改变医生日常判读流程，但为未来AI辅助诊断工具提供了更鲁棒的技术路径。国内情况有待确认。
常见问题
这个AI模型能代替医生看眼底照片吗？
不能代替医生。该模型目前仅在公开数据集上完成算法验证，尚未进入真实临床环境使用，也未获得任何国家监管机构的批准用于独立诊断。它属于辅助技术雏形，最终判断仍需由眼科医生综合影像、病史和其他检查做出。如有疑虑可咨询眼科医生。
我有糖尿病，现在做眼底检查还要等医生看吗？
是的，目前所有眼底检查结果都必须由专业眼科医生判读。这项研究只是开发了一种新的AI分析方法，还未应用于实际诊疗流程。糖尿病患者仍应按医嘱定期接受眼底检查，以便及时发现视网膜病变进展。如有疑虑可咨询眼科医生。
延伸阅读
自生成病灶提示的多视角糖尿病视网膜病变分级方法
研究提出一种无需外部病灶标注的端到端深度学习框架，用于多视角眼底图像的糖尿病视网膜病变（DR）自动分级。该方法通过Grade-Activated Lesion Proposal（GALP）模块动态生成每张图像中前K个高证据区域作为病灶提示，并利用Cross-View Lesion Expert Guided Regional Fusion（LGRF）模块跨视角选择性融合特征。在两个多视角DR数据集上的实验表明，该方法性能达到或超过强基线模型，且不依赖昂贵的人工病灶标注。
基于猎鹰优化的深度学习模型辅助糖尿病视网膜病变诊断
研究提出一种名为FOEDLA-DRDM的新系统，用于在眼底照片中自动识别糖尿病视网膜病变（DR）。该系统先用维纳滤波去噪，再用SE-DenseNet提取图像特征，最后融合自编码器、LSTM和深度置信网络进行分类，并由猎鹰优化器（FO）调优超参数。研究在Kaggle DR数据集上验证了该模型的有效性。
用CheXNet加注意力机制提升糖网眼底图像分析
该研究提出一种融合CheXNet预训练权重与卷积块注意力模块（CBAM）的深度学习模型，用于糖尿病视网膜病变（DR）的眼底图像自动分级。模型在APTOS 2019和DDR两个公开数据集上分别达到96.12%和96.33%的准确率，优于CheXNet、DenseNet121等五种对比模型。研究还引入Grad-CAM可视化技术解释模型决策依据。