基于深度学习的视网膜脱离与玻璃体积血超声图像检测
摘要
视网膜脱离（RD）是一种严重的眼科疾病，可能导致永久性视力丧失。在伴有遮挡眼底的玻璃体积血（VH）的情况下，即使使用眼部超声检查也难以诊断RD。本研究开发了一种基于YOLOv5架构的卷积神经网络（CNN），用于B型超声图像中RD和VH的检测。模型训练使用了2,188张图像，并通过1,042张图像进行验证。通过应用包括非锐化掩模在内的图像增强技术，提高了检测准确性。最终模型在五折交叉验证下，对RD、VH及RD合并VH的检测准确率分别达到96.6%、99.2%和98.0%。该深度学习算法在眼部超声图像中检测RD和VH方面表现出高准确性，特别是在伴有遮挡眼底的VH情况下，可作为辅助工具提高诊断效果。
信息来源： PubMed Ophthalmology 发布于 2026年2月11日
要点速览
- 基于YOLOv5架构的CNN模型在检测视网膜脱离和玻璃体积血方面表现出高准确性。
- 模型通过图像增强技术如非锐化掩模提高了检测精度。
- 最终模型在五折交叉验证下，对RD、VH及RD合并VH的检测准确率分别为96.6%、99.2%和98.0%。
本站解读
这项研究揭示了人工智能在眼科影像诊断中的巨大潜力，特别是对于复杂病例如伴有玻璃体积血的视网膜脱离。传统的超声检查虽然能够提供重要信息，但在某些情况下其诊断能力受限。基于YOLOv5架构的深度学习模型不仅显著提升了检测精度，还为临床医生提供了可靠的辅助工具。这标志着从依赖经验丰富的医生到结合AI技术的新时代转变。将重塑眼科诊疗流程，提升整体医疗效率。
国内外多家企业已在AI眼科领域布局，竞争日益激烈。国外如Google Health、IBM Watson Health等巨头已推出相关产品，国内也有不少初创公司崭露头角。然而，技术壁垒和数据积累是关键护城河。随着更多高质量数据集的积累和技术迭代，预计未来几年内AI在眼科的应用将更加广泛。此外，监管政策的逐步完善也将加速这一进程。
后续需要密切留意的是，如何在实际临床环境中验证这些AI工具的有效性和安全性。同时，伦理问题和隐私保护也是不可忽视的重要议题。随着技术的不断进步，AI在眼科领域的应用前景值得期待。
常见问题
这个新方法能帮我更好地诊断视网膜脱离吗？
这项研究开发的深度学习模型在检测视网膜脱离和玻璃体积血方面表现出高准确性，尤其是在伴有遮挡眼底的玻璃体积血情况下。如有疑虑可咨询眼科医生。
这种方法是否已经在医院里使用了？
目前这项技术还在研究阶段，尚未广泛应用。但随着进一步验证和监管批准，未来有望在临床中推广。
延伸阅读
早期青光眼视野进展预测模型比较研究
研究通过模拟早期青光眼患者的视野数据，对比四种预测方法：个体化一阶自回归模型（AR(1)）、普通线性回归（OLR）、群体级长短期记忆网络（LSTM）和朴素基线预测。结果显示，在检查次数较少时（如前6–11次），LSTM误差最低；但随着检查次数增加，尤其在中、快速进展患者中，AR(1)的预测精度反超LSTM。评估指标为RMSE和点均绝对误差（PMAE）。
本地医疗大模型精准识别青光眼风险因素
研究团队使用MedGemma-27B-text-it本地医疗大模型，分析2014至2024年间1250例青光眼相关临床记录，评估其识别用药依从性差、随访失约及家族史的能力。结果显示，模型在识别用药非依从性（准确率0.91）、随访非依从性（准确率0.96）和家族史（准确率0.98，Jaccard指数0.99）方面远超结构化电子病历字段（家族史准确率仅0.49）。研究证实本地化大模型可高效挖掘自由文本中的隐性风险信息。
血管引导多任务深度学习模型同步分割血管并分类眼底病
研究团队开发了V-MNet模型，首次将视网膜血管分割与多种眼底病分类整合于同一深度学习框架，并引入血管结构先验信息指导疾病分类。该模型在四个公开数据集上测试，血管分割Dice系数达0.831，多病种分类平均AUC为0.978、F1分数为0.935，显著优于单任务模型。Grad-CAM模块提供可视化病灶定位图，增强临床可解释性。