自生成病灶提示的多视角糖尿病视网膜病变分级方法
摘要
研究提出一种无需外部病灶标注的端到端深度学习框架，用于多视角眼底图像的糖尿病视网膜病变（DR）自动分级。该方法通过Grade-Activated Lesion Proposal（GALP）模块动态生成每张图像中前K个高证据区域作为病灶提示，并利用Cross-View Lesion Expert Guided Regional Fusion（LGRF）模块跨视角选择性融合特征。在两个多视角DR数据集上的实验表明，该方法性能达到或超过强基线模型，且不依赖昂贵的人工病灶标注。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- 提出一种端到端框架，可在训练与推理中自动生成病灶提示，无需外部病灶或血管标注。
- 引入Grade-Activated Lesion Proposal（GALP）模块生成分级条件下的证据图，并选取每视角top-K高证据区域作为病灶提示。
- Cross-View Lesion Expert Guided Regional Fusion（LGRF）模块依据其他视角上下文，选择性激活专家对病灶区域进行特征融合。
本站解读
这项研究的核心突破是让AI模型自己‘找病灶’——它不再需要医生手动标出微动脉瘤等细微病变来训练，而是通过分级结果反推高证据区域，再用这些自生成的提示指导多视角图像融合。原文明确提到‘top-K high-evidence regions per view’，K虽未给出具体数值，但机制本身直击当前主流CNN/Transformer因空间压缩导致小病灶漏检的痛点。
研究设计属算法验证型，基于两个已公开的多视角DR数据集，未说明样本量，也未涉及临床前瞻性试验，因此属于技术可行性验证，离真实诊室部署还有距离：需验证在不同设备、不同质量图像和真实筛查流程中的鲁棒性。短期内不会改变医生阅片习惯，但为未来降低AI辅助诊断的标注成本提供了可靠路径。
普通人无需为此改变任何行为——这是一项后台算法升级，不涉及检查方式、用药或生活方式调整。如有疑虑可咨询眼科医生。国内情况有待确认。
常见问题
这个新AI方法是不是以后能代替医生看眼底照？
不能代替医生。该方法只是提升AI自动分级准确性的新算法，仍需医生最终判读和临床决策。它解决了小病灶（如微动脉瘤）易被漏检的问题，但未改变AI作为辅助工具的定位。目前所有获批的AI眼底分析系统都要求医生复核结果。
用了这个技术，查眼底是不是就不用拍那么多照片了？
不是。该研究针对的是‘多视角’眼底图像，即本来就需拍摄多张不同角度的照片；它的优化重点是如何更有效地融合这些已有图像的信息，而非减少拍摄数量。检查流程、拍照张数和标准不会因此改变。
延伸阅读
基于猎鹰优化的深度学习模型辅助糖尿病视网膜病变诊断
研究提出一种名为FOEDLA-DRDM的新系统，用于在眼底照片中自动识别糖尿病视网膜病变（DR）。该系统先用维纳滤波去噪，再用SE-DenseNet提取图像特征，最后融合自编码器、LSTM和深度置信网络进行分类，并由猎鹰优化器（FO）调优超参数。研究在Kaggle DR数据集上验证了该模型的有效性。
用CheXNet加注意力机制提升糖网眼底图像分析
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。
多频上下文注意力网络用于糖尿病视网膜病变分类
研究提出一种新型深度学习模型MFCA-DRNet，用于糖尿病视网膜病变（DR）自动分类。该模型采用自监督对比学习预训练、自适应图像增强方法，并引入多频上下文注意力模块（MFCA），以更好捕捉视网膜图像中分散病灶的长程关联。在DDR、APTOS 2019和Messidor-2数据集上验证，尤其在APTOS 2019数据集上表现出高准确率、精确率和召回率。