用CheXNet加注意力机制提升糖网眼底图像分析
摘要
该研究提出一种融合CheXNet预训练权重与卷积块注意力模块（CBAM）的深度学习模型，用于糖尿病视网膜病变（DR）的眼底图像自动分级。模型在APTOS 2019和DDR两个公开数据集上分别达到96.12%和96.33%的准确率，优于CheXNet、DenseNet121等五种对比模型。研究还引入Grad-CAM可视化技术解释模型决策依据。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- 研究构建了基于DenseNet121和CheXNet预训练权重的DR分级模型，集成CBAM注意力机制并用Grad-CAM可视化决策依据。
- 模型在APTOS 2019数据集达96.12%准确率，在DDR数据集达96.33%准确率，均高于CheXNet、ResNet50等五种对比模型。
- 作者指出需进一步开展前瞻性评估和外部验证，以确认该模型在真实临床场景中的适用性。
本站解读
这项研究本质上是给AI‘看眼底图’的能力加了一副‘聚焦眼镜’：用CBAM模块让模型更关注出血、渗出等关键病灶区域，再借CheXNet的医学影像预训练底子提升判别力。96.12%和96.33%的准确率确实亮眼，但必须注意——这两个数字来自两个公开数据集，样本量、拍摄设备、标注标准均非临床真实环境，且未说明是否含中国患者数据。这类回顾性算法验证离临床落地还有明显距离，需要在真实门诊流程中做前瞻性测试，比如嵌入到基层筛查系统里跑几个月，看它会不会被反光、模糊或小瞳孔图像拖垮。
短期内不可能改变医生阅片习惯，更不会替代专业诊断。对普通人而言，无需因这项研究调整任何行为；眼底拍照仍是金标准，AI只是辅助工具。国内情况有待确认。
常见问题
这个AI能直接帮我判断有没有糖尿病眼病吗？
不能。该模型目前仅在实验室数据集上验证，尚未进入医院实际使用流程，也不能替代眼科医生的专业评估。它属于研究阶段的技术方案，不面向患者提供诊断服务。如有疑虑可咨询眼科医生。
以后查眼底还要拍照片吗？
是的，眼底照相仍是当前糖尿病视网膜病变筛查的基础手段。这项研究没有改变检查方式，而是尝试让AI更准地解读已有照片。未来若技术成熟，可能缩短医生判读时间，但拍照本身不会被跳过。
延伸阅读
基于改进鲸鱼算法与卷积KAN网络的糖尿病视网膜病变分级方法
研究人员提出一种新的人工智能模型，结合ShuffleNet V2与视觉Transformer注意力机制提取眼底图像特征，再用改进鲸鱼优化算法（IWO）微调，并通过卷积Kolmogorov-Arnold网络对糖尿病视网膜病变（DR）严重程度分级。模型在EyePACS数据集上训练，在Messidor-2数据集上测试，平均准确率达93.84%，且计算资源需求较低。
大语言模型用于糖尿病视网膜病变患者教育的评估
研究对比了ChatGPT、Gemini、DeepSeek、Doubao、Copilot和Perplexity六款大语言模型在回答50个标准化糖尿病视网膜病变患者问题时的表现。由五名评审员依据安全、准确、共情、信息质量（DISCERN、JAMA等）、透明度和可读性等维度评分。结果显示，各模型安全响应率在86.0%至94.0%之间，准确性普遍较高，但共情能力差异明显；Perplexity在信息质量指标上得分最高，Gemini可读性最佳，但所有模型的Flesch阅读易度分均低于推荐阈值。
超广角OCTA联合临床指标识别2型糖尿病早期视网膜病变
该研究纳入1676名2型糖尿病患者，其中1047人用于训练、453人用于内部测试、176人来自社区的外部验证集。研究结合超广角光学相干断层扫描血管成像（UW-OCTA）图像与临床指标（如病程、糖化血红蛋白、低密度脂蛋白胆固醇和收缩压），构建多模态深度学习模型。结果显示，多模态模型在内部和外部验证集中AUC分别为0.921和0.849，优于仅用图像或仅用临床数据的模型，提示其有助于无创识别早期糖尿病视网膜病变。