拓扑感知无监督域自适应提升血管结构分割
摘要
研究提出TopoUDA框架，专为解决医学影像中曲状解剖结构（如视网膜血管）跨设备、跨模态分割时出现的断裂、连通性错误等问题。该方法通过三部分创新：设计能识别解剖合理性的曲状感知判别器（CAD）、利用持续同调理论优化碎片化预测的分层拓扑精炼器（HTR）、结合外观与拓扑可信度的混合信任机制（HTM）。在眼底照相、OCTA和电镜图像上验证，其重叠指标与拓扑指标均显著优于现有最优方法。
信息来源： PubMed Ophthalmology 发布于 2026年9月24日
要点速览
- TopoUDA框架专为解决曲状解剖结构（如血管网络）跨域分割时的拓扑失真问题
- 包含曲状感知判别器（CAD）、分层拓扑精炼器（HTR）和混合信任机制（HTM）三大组件
- 在眼底照相、OCTA和电镜图像上验证，重叠与拓扑指标均显著优于现有最优方法
本站解读
这项研究发现，现有AI模型在分割视网膜血管等曲状结构时，常因忽略结构连通性、分支和环路等拓扑特征而产生临床不可靠的断裂结果；TopoUDA通过引入拓扑指纹、可微分结构评估和持续同调驱动的伪标签优化，系统性解决了这一问题。研究未披露具体样本量或患者数，仅说明在眼底照相、OCTA和电镜三种模态上做了‘广泛验证’，且在大型无标注AI-READI队列上完成定性泛化测试——这表明方法具备真实临床场景适配潜力，但尚无临床终点或医生阅片一致性数据支撑。
它短期内不会改变临床做法：当前成果是算法框架，尚未集成进任何已获批的诊断软件，也未报告在真实诊疗流程中的延迟、吞吐量或操作适配性。普通人无需因此改变任何行为——这不是一项筛查工具或家用设备，而是后台AI模型的技术升级。国内情况有待确认。
常见问题
这个新AI技术能让我的眼底照片检查更准吗？
目前还不能直接让您的检查更准，因为它尚未集成到临床使用的诊断系统中。该技术属于底层算法升级，目标是提升AI对血管等曲状结构的识别连贯性，已在眼底照相、OCTA等多种影像上验证效果优于现有方法，但尚未进入实际诊疗流程。如有疑虑可咨询眼科医生。
是不是以后拍个眼底照就能自动看出血管堵没堵？
不是。这项研究没有实现自动判断血管堵塞，它只改进了AI对血管形态的分割质量——即把血管‘画出来’更完整、更少断裂。是否堵塞仍需医生结合血流、渗漏、缺血区等综合判读。该技术是辅助工具的基础环节，不等于诊断结论。如有疑虑可咨询眼科医生。
延伸阅读
LCNet：轻量级视网膜血管分割网络
研究者提出一种名为LCNet的轻量级U型深度学习网络，用于眼底图像中的视网膜血管分割。该模型采用深度可分离卷积、协同坐标注意力模块和空洞空间金字塔池化模块，并引入四个侧向输出层增强监督。在DRIVE、STARE、CHASEDB1和IOSTAR四个公开数据集上，全局准确率分别达96.02%、97.95%、97.95%和97.77%，参数量仅2.65M，计算量为21.2 GFLOPs。
MedFineSAM提升眼底与前列腺影像分割精度
研究针对Segment Anything Model（SAM）在医学影像分割中缺乏细粒度解剖知识、易受错误提示干扰、结构不连续等问题，提出新型模型MedFineSAM。该模型整合三大模块：共享细粒度结构增强、提示门控机制和频域结构连续性扩散（SCFD）。在眼底图像和前列腺MRI基准测试中，其泛化性能优于现有方法，为单源域医学图像分割提供新路径。
AI辅助干燥综合征唾液腺分型研究综述
该系统性综述评估了人工智能和机器学习在干燥综合征（SjD）唾液腺组织病理与分子分析中的应用。共纳入25项研究，AI/ML识别出免疫激活、组织结构改变、上皮应激及细胞死亡等多维表型。但仅少数研究推进到功能扰动、药物测试或人体治疗反应验证。研究受限于小样本、重复使用公共数据集、方法不统一及缺乏独立验证。