混合深度学习与自然启发算法实现精准眼底疾病分类
摘要
眼底成像技术是检测多种眼科疾病的重要手段，能够揭示黄斑、视盘、中心凹及血管的解剖变化，从而诊断糖尿病视网膜病变、青光眼、老年性黄斑变性、白内障和近视等病症。本研究提出了一种新的混合框架，结合了深度学习特征提取与自然启发算法，利用预训练的ResNet-18和GoogLeNet架构提取特征，并通过粒子群优化、灰狼优化器、差分进化、萤火虫算法和遗传算法进行优化。最终，应用K-近邻、高斯朴素贝叶斯、支持向量机和逻辑回归等机器学习分类器对优化后的特征集进行分类。在ODIR和RFMiD数据集上的实验表明，萤火虫算法与K-近邻（FAKNN）组合达到了最先进的性能，准确率、召回率、精确度、Kappa值、F1分数和曲线下面积均为100%。这一方法不仅提高了诊断准确性，还展示了显著的临床应用潜力，有助于早期干预和改善患者预后。
信息来源： PubMed Ophthalmology 发布于 2026年3月17日
要点速览
- 研究提出一种结合深度学习与自然启发算法的新框架，用于眼底疾病分类
- 使用预训练的ResNet-18和GoogLeNet架构提取特征，并通过多种自然启发算法优化
- 实验结果显示，萤火虫算法与K-近邻组合在多个关键指标上达到100%的性能
本站解读
这项研究提出了一个新颖的混合框架，旨在通过深度学习与自然启发算法的结合来提高眼底疾病的分类精度。尽管研究声称在多个关键指标上达到100%的完美表现，但这种结果需要谨慎看待。首先，样本量和数据集的质量直接影响到模型的泛化能力。尽管ODIR和RFMiD数据集在业内有一定知名度，但其多样性和代表性仍有待进一步验证。此外，从实验室到临床的实际转化过程中，现实世界的复杂性和不确定性往往会导致模型性能下降。
研究中提到的萤火虫算法与K-近邻（FAKNN）组合虽然在实验中表现出色，但在实际应用中可能面临更多挑战。例如，不同医疗机构的数据质量、设备差异以及操作人员的技术水平都会影响模型的稳定性。因此，尽管该研究展示了潜在的临床应用价值，但其真实效果仍需在更大规模的多中心临床试验中进一步验证。
对于普通患者而言，这些前沿技术的发展意味着未来的眼科诊疗将更加精准和高效。然而，在这些技术真正普及之前，如有疑虑可咨询眼科医生，以获得最适合个人情况的治疗建议。
常见问题
这个研究对我的眼科检查有什么帮助？
这项研究提出了一种新的眼底疾病分类方法，有望提高诊断的准确性。未来，这种方法可能会被应用于临床，帮助医生更早地发现和治疗眼病。
这种新技术什么时候能用上？
目前这项技术还在研究阶段，需要经过更多的临床验证才能广泛应用。具体时间表尚不确定，但可以期待未来几年内会有更多进展。
延伸阅读
视网膜血管AI量化分析预测心血管风险
研究团队利用AI工具AutoMorph，从8467名40-70岁健康受试者的眼底照片中提取12项视网膜血管定量指标，涵盖动脉和静脉的密度、宽度、分形维数及迂曲度等。外部验证使用UK Biobank的16249例影像。结果发现动脉指标与血压、血脂、血糖、BMI及睡眠呼吸暂停参数显著相关，且能预测新发心血管事件。研究首次建立年龄与性别分层的视网膜血管参考值体系。
深度学习算法在糖尿病视网膜病变中的非灌注区自动量化
该研究旨在评估一种定制的深度学习算法在超广角扫频源OCT血管成像（UWF SS-OCTA）中对非灌注区（NPA）进行自动分割的性能及其在糖尿病视网膜病变（DR）严重程度评估中的应用。研究采用横断面设计，纳入180只眼，涵盖所有DR严重程度等级。研究人员开发了一种基于多尺度U-Net骨干网络并结合挤压和激励注意力机制的卷积神经网络，用于从三种扫描模式（6 × 6 mm、12 × 12 mm 和 29 × 24 mm）的全视网膜层图像中分割NPA。通过两名独立评分者和一名玻璃体视网膜专家生成的金标准标注，以及结构OCT图像来区分真实NPA与阴影伪影。结果显示，该算法在不同扫描尺寸下均表现出高精度（F1分数分别为0.82 ± 0.01、0.84 ± 0.03 和 0.83 ± 0.02），且无显著差异。Bland-Altman分析表明，人类标记和算法预测的非灌注指数（NPI）之间具有高度一致性。结论是，该深度学习算法在单次扫描UWF SS-OCTA中实现了高精度和可扩展性，支持其作为客观DR OCTA生物标志物分析工具的潜力。
多尺度深度学习网络在翼状胬肉自动分割中的应用
翼状胬肉是一种需要早期识别的眼科疾病，以防止其进展导致视力损害。准确测量纤维血管组织对角膜和瞳孔区域的侵犯程度是评估病情严重程度的关键步骤。本研究通过引入多尺度深度学习网络，特别是空间金字塔池化（SPP）和空洞空间金字塔池化（ASPP）模块，有效捕捉病变特征的不同尺度。这些模块被嵌入到UNet架构的瓶颈层中，以最小化计算负担。实验结果显示，嵌入了三个并行路径EF-ASPP模块的UNet网络表现出最佳性能，Hausdorff距离仅为16.75像素。这一结果表明，通过精确提取病变图谱，可以更好地预测翼状胬肉的严重程度。