跳转到主要内容
学术研究 高优关注

研究:视盘区眼底图像仍可被深度学习用于身份比对

PubMed Ophthalmology (2026年6月5日)

摘要

研究者使用美国巴斯科姆·帕尔默眼科研究所4500名受试者、7724只眼的30836张彩色眼底照片,把每张照片处理为全视野眼底图、包含视盘周围0.5个视盘直径视网膜的视盘区图、仅含视盘的紧密裁剪图三种形式,分别训练孪生卷积神经网络进行生物识别验证。三类图像都保留了可测量的个体特征:全视野模型AUC 0.992、等错误率4.4%,视盘区模型AUC 0.989、等错误率5.5%,仅视盘模型AUC 0.969、等错误率10.5%;准确率分别为0.968、0.945和0.919。仅视盘图像的表现显著差于全视野图像,视盘区与全视野差别不显著。作者提醒,即便只共享局部视网膜图像,也要谨慎对待数据共享。

信息来源: PubMed Ophthalmology 发布于 2026年6月5日

要点速览

  • 研究使用4500名受试者、7724只眼的30836张眼底照片,比较三种图像范围的生物识别能力。
  • 全视野、视盘区、仅视盘模型的AUC分别为0.992、0.989和0.969,准确率分别为0.968、0.945和0.919。
  • 仅视盘图像表现显著较差(P<0.001),视盘区与全视野差别不显著。
  • 作者认为局部眼底图像仍含个体特征,数据共享需谨慎。

本站解读

这项研究回答的是一个数据安全问题:只截取视盘附近的一小块眼底图像,还能不能认出两张图来自同一只眼。答案是能。仅视盘的模型AUC为0.969、准确率0.919,再加上视盘周围一圈窄窄的视网膜,AUC就到0.989,与全视野眼底图的0.992差别不显著。

研究样本较大,来自4500名受试者的3万多张照片,并按受试者划分训练集和测试集,结论较可信。但它测的是“两张图是否来自同一只眼”的比对能力,作者也说明,没有对应的身份关联信息时,单凭眼底图本身无法确定是谁。我们的判断是,这项研究不会让眼底照变成身份证,但会让科研和AI训练中的眼底数据共享更强调去标识化和访问控制。

对国内而言,眼底AI研发和多中心科研同样依赖大规模图像共享。我国《个人信息保护法》把生物识别和医疗健康信息列为敏感个人信息,这项研究提示,裁剪后的局部眼底图也不宜默认当作匿名数据处理,具体如何界定有待监管和行业进一步明确。

常见问题

我的眼底照会不会被用来认出我是谁?

单凭一张眼底照认不出你是谁。研究显示,AI可以判断两张眼底图是否来自同一只眼,仅视盘区域图像的准确率也有0.919,但要确定身份,还需要能把图像和个人对应起来的信息。国内《个人信息保护法》把医疗健康和生物识别信息列为敏感个人信息,如果担心检查图像的用途,可以向就诊机构了解数据使用和保护规定。

以后查眼底是不是能代替刷身份证?

不会,这项研究不是为了做身份认证。它的目的在于提醒科研人员:即使只共享裁剪后的局部眼底图,图像里也仍有个人特征,数据共享要更谨慎。研究没有涉及任何实际的身份核验应用,国内也没有看到把眼底图作为身份凭证的公开信息,就诊仍按现有的身份核验流程进行。

延伸阅读

学术研究

LiteFeatNet:轻量高效眼底多病识别模型

研究提出一种名为LiteFeatNet的轻量化卷积神经网络,专用于从眼底图像中同时识别多种视网膜疾病。该模型基于预训练NASNetMobile主干,引入中间层特征提取与空间感知特征图压缩模块,在仅用1824张图像(RFMiD数据集)、60:20:20划分下,测试准确率达90.33%,单图推理仅需4毫秒,模型体积仅19.87MB。它在多个指标上超越12种现有模型,并在外部数据集RFMiD 2.0及扩展至5类疾病的场景中保持高效稳健。

#人工智能#眼底图像#多病识别
PubMed Ophthalmology
学术研究

OpthaNet:轻量化AI模型提升眼病图像分类精度

该研究针对白内障、糖尿病视网膜病变和青光眼三类眼病,基于眼底图像开发了名为OpthaNet的注意力增强型AI分类架构。研究人员对EfficientNetB3、MobileNetV2和视觉Transformer三种模型进行定制优化,分别引入注意力特征精炼模块、OpthaHead分类器和META定制策略。结果显示,优化后的EfficientNetB3准确率达96.04%,较基线提升10.84%;MobileNetV2提升11.26%;视觉Transformer经META定制后性能提升超18%。

#人工智能#眼底图像#糖尿病视网膜病变
PubMed Ophthalmology