多种深度学习模型用于角膜炎六分类诊断的比较研究
摘要
研究团队使用3797张裂隙灯图像，训练并对比了CNN、Transformer、自监督和视觉-语言模型在六类角膜炎（正常角膜、细菌性、真菌性、病毒性、棘阿米巴性及非感染性）分类中的表现。RegNet在图像级准确率达76.8%，EfficientNet_B0在患者级准确率为77.5%。在240张测试图上，RegNet准确率75.4%，高于资深角膜专科医生（72.7%）、初级角膜专科医生（56.3%）和初级综合眼科医生（44.4%）。研究指出模型尚不能替代医生独立诊断，需外部及前瞻性验证。
信息来源： PubMed Ophthalmology 发布于 2026年10月5日
要点速览
- 研究基于3797张裂隙灯图像，对六类角膜病变进行深度学习模型性能对比。
- RegNet在图像级分类中准确率最高（76.8%），EfficientNet_B0在患者级准确率最高（77.5%）。
- 在240张测试图像上，RegNet准确率（75.4%）高于三组医生的平均表现，但模型仍不适用于自主诊断。
本站解读
这项研究发现，某些深度学习模型——特别是RegNet和EfficientNet_B0——在角膜炎六分类任务中，图像级和患者级准确率分别达到76.8%和77.5%，甚至在240张测试图上超过了初级和部分资深医生的判读水平。但样本全部来自回顾性图像数据，且未说明采集机构、地域分布或设备型号，临床泛化能力存疑；3797张图像虽在AI眼科研究中属中等偏上规模，但六分类任务下每类平均仅约630张，对罕见类型（如棘阿米巴角膜炎）可能欠拟合。
短期内不可能改变临床流程：模型尚未通过真实诊室环境下的前瞻性验证，也未嵌入现有电子病历或裂隙灯系统，更未证明能提升最终治疗结局。它最多作为辅助提示工具，而非决策主体。普通人无需因此改变行为——AI模型再快，也不能替代医生结合症状、病史和实验室检查的综合判断。如有角膜炎相关疑虑可咨询眼科医生。
常见问题
AI看眼睛照片真能比医生还准吗？
在本次研究的240张测试图中，RegNet模型准确率是75.4%，略高于资深角膜专科医生的72.7%，但显著低于临床实际所需的安全阈值；它只是在特定图像集上的统计结果，不能代表真实问诊能力。模型尚未经过外部验证，也不能替代医生综合判断。如有疑虑可咨询眼科医生。
以后去医院查角膜炎，会不会直接让AI出诊断？
不会。研究明确指出当前模型‘性能尚不足以支持自主诊断’，且需经外部和前瞻性验证。目前所有结果均来自回顾性图像分析，未接入真实诊疗流程。AI短期内只能作为医生参考工具，不能跳过问诊、取样或实验室检查等必要环节。如有疑虑可咨询眼科医生。
延伸阅读
多标签AI模型可单张眼底照同步筛查九种眼病
研究团队开发了一种多任务ConvNeXt深度学习模型，使用23.6万张眼底彩照（来自17个异质来源）训练，可同时识别糖尿病视网膜病变、年龄相关性黄斑变性等九种眼底状况。内部验证（47,229张图）显示AUROC在0.943–0.989之间；外部验证（4055张图，来自东亚健康筛查中心）中，八种病症阴性预测值（NPV）≥95.6%，其中糖尿病视网膜病变NPV达99.3%。
AI增强OCT可准确量化冠状动脉斑块负荷
研究团队开发了一种深度学习算法，用于全自动分析光学相干断层扫描（OCT）图像，以量化冠状动脉斑块负荷（PB）和血管尺寸。研究使用10例尸检人的心脏，对29支主要冠状动脉进行OCT和血管内超声（IVUS）成像，并与组织病理学金标准对比。共获得852个匹配的横截面数据，结果显示AI-OCT与病理结果的相关性不劣于IVUS，且无统计学显著差异。
CNN、Transformer与Mamba模型在眼病分类中的性能对比
研究首次将Mamba架构应用于彩色眼底图像的多类别眼病自动分类，并在相同实验条件下对比了6种CNN、Transformer和Mamba模型在Eye Disease Image Dataset（EDID）上的表现。结果显示三类模型整体性能相近；对前三名模型进行logit级集成后略有提升，表明它们捕捉的视觉特征存在部分互补性。研究还指出，结构特征明显的眼病识别更稳定，而特征细微或重叠的类别仍具挑战性。