基于注意力机制的多尺度边缘感知分割与卷积Transformer框架用于青光眼自动检测
摘要
研究团队开发了一种新型AI框架，用于从眼底照相中自动检测青光眼。该框架包含对比度增强预处理、注意力引导的多尺度边缘感知分割网络（AME-SegNet）以精准分割视盘和视杯，并结合卷积Transformer（CT）进行分类。在Drishti-GS1数据集上，视盘和视杯分割Dice分数分别达97.36%和96.72%；在RIM-ONE和ORIGA-Light数据集上分类准确率分别为98.63%和98.96%，显示强泛化能力。
信息来源： PubMed Ophthalmology 发布于 2026年6月22日
要点速览
- 该研究构建了整合图像预处理、多尺度边缘感知分割与卷积Transformer分类的统一框架，目标是提升青光眼自动检测的准确性与泛化性。
- 采用AME-SegNet实现视盘和视杯的高精度分割，并引入Bitterling Colony Optimization筛选判别性特征，用Honey Badger Algorithm自动调参。
- 在Drishti-GS1数据集上视盘分割Dice分数达97.36%，视杯为96.72%；RIM-ONE和ORIGA-Light分类准确率分别达98.63%和98.96%。
本站解读
这项研究提出了一套结构清晰、解剖导向明确的AI流程，核心突破在于同时优化分割精度与分类鲁棒性——用AME-SegNet解决视盘/视杯边界模糊的老问题，再用卷积Transformer融合局部纹理与全局形态特征。97.36%和96.72%的Dice分数远超多数同类研究，说明其分割质量已接近临床可接受阈值；而两个独立数据集上均超98.6%的分类准确率，表明模型对图像质量差异和标注习惯变化具备真实抗干扰能力。
但这是纯算法验证研究，未报告测试样本量、未使用真实世界临床部署环境数据，也未与医生诊断做头对头比较，离临床嵌入还有明显距离。目前所有结果均基于公开数据集，尚未见于真实筛查场景的前瞻性验证。国内情况有待确认。
普通人无需因此改变行为：这不改变青光眼筛查路径，也不影响当前检查方式。AI工具若未来落地，也只是辅助医生判断，不能替代眼底检查或视野评估。如有疑虑可咨询眼科医生。
常见问题
这个AI能直接帮我查出有没有青光眼吗？
不能。该技术目前仅在实验室数据集上验证，尚未用于真实临床检查。它属于辅助分析工具，不能替代专业眼科医生的综合评估，也不能单独作为诊断依据。如有疑虑可咨询眼科医生。
比医生看眼底照更准吗？
研究未与医生诊断进行直接对比，无法得出‘更准’结论。其98.63%的分类准确率是在特定数据集上的算法表现，而医生诊断依赖眼底照、眼压、视野等多维度信息。AI只是潜在辅助手段，不是替代者。
延伸阅读
深度学习算法在眼底照相中识别青光眼的外部验证
研究对外部人群队列（鹿特丹研究，50-80岁共9837名参与者、19088只眼）验证了一种基于彩色眼底照相（CFP）的深度学习算法，该算法曾获AIROGS挑战赛冠军，训练数据为101442张黄斑中心CFP。结果显示：在95%特异性下，眼水平敏感度为70.6%，ROC-AUC为0.911；真阳性者视野损害更重（平均偏差-10.8 vs -5.8 dB）；54%的真阳性者在确诊前4–7年即被算法标记；视盘中心CFP比黄斑中心CFP判别性能略优；视神经乳头显示不全显著降低阳性预测值。
深度学习从眼底照预测RNFL厚度并生成青光眼诊断似然比
研究开发了一种深度学习算法，通过普通眼底彩色照片预测视网膜神经纤维层（RNFL）厚度，并将连续预测值转化为青光眼诊断的似然比。研究纳入232名青光眼性视神经病变患者和127名健康对照者，采用横断面设计。结果显示，算法预测的RNFL厚度在青光眼组显著更低（71.3±10.6 μm vs. 95.5±7.2 μm），AUC表现良好，支持个体化概率化诊断。
AI预测青光眼视野缺损的系统综述
研究系统回顾了36项利用人工智能基于OCT结构数据预测青光眼视野功能变化的论文。这些模型可预测全局视野指数、点位敏感度或视野进展趋势，性能因任务类型、OCT设备、视野检测模式和验证方式而异。部分研究采用热图、遮挡图等技术解释模型决策，生成的结构-功能映射与临床认知一致。但现有模型在晚期青光眼中表现下降，且受限于OCT扫描范围较窄。