跳转到主要内容
学术研究

开源葡萄膜黑色素瘤多模态影像数据集发布

PubMed Ophthalmology (2026年12月1日)

摘要

美国伊利诺伊眼耳医院整理并公开了一个包含645例患者眼部影像与临床数据的开源数据集,涵盖葡萄膜黑色素瘤、脉络膜痣和先天性视网膜色素上皮肥厚三类疾病。数据包括超广角眼底照相和标准化B超,每例均标注了肿瘤高度(平均5.63 mm)、基底直径(平均11.77 mm)等结构化信息。该数据集已支持多项AI研究,在区分黑色素瘤与脉络膜痣任务中AUC达0.98。

信息来源: PubMed Ophthalmology 发布于 2026年12月1日

要点速览

  • 该数据集共纳入645例患者,涵盖葡萄膜黑色素瘤、脉络膜痣和先天性视网膜色素上皮肥厚三类疾病。
  • 每例均配对提供超广角眼底照相和标准化B型超声,并标注肿瘤高度、基底直径及影像特征等结构化临床数据。
  • 基于该数据集开发的AI模型在区分葡萄膜黑色素瘤与脉络膜痣任务中AUC最高达0.98,验证了其对AI研发的支持价值。

本站解读

这项工作的产出不是新疗法,而是一份公开数据集:美国伊利诺伊眼耳医院整理了645名患者、每人一只眼的超广角眼底照片和标准化B超配对影像,覆盖葡萄膜黑色素瘤、脉络膜痣和先天性视网膜色素上皮肥厚三类病变,并标注了肿瘤尺寸等结构化信息。作者称,据其所知,这是首个也是规模最大的同类公开数据集。

葡萄膜黑色素瘤少见,单个医院很难攒够训练AI的数据,公开数据集的意义就在这里。此前基于该数据集的研究,在区分黑色素瘤和脉络膜痣上AUC最高达0.98。不过数据来自单中心回顾性整理,模型换到其他医院、其他设备上表现如何还要验证。

我们的判断是,这类开源数据会加快眼肿瘤AI的研究,但离临床辅助诊断还有外部验证和审批两道关。数据来自美国单一中心,国内研究者可以用来做算法对照,但对中国人群的适用性有待确认。如有疑虑可咨询眼科医生。

常见问题

这个AI能帮我查出眼睛里是不是长了黑色素瘤吗?

不能。这次发布的是供研究用的影像数据集,不是面向患者的检查工具。基于它开发的模型在研究中区分黑色素瘤和脉络膜痣的AUC最高达0.98,但还没有经过多中心验证和审批。国内也没有可供患者自查的同类工具,眼底发现色素病变时如有疑虑可咨询眼科医生。

以后看眼底肿瘤是不是不用做B超了?

不会。这个数据集本身就是用超广角眼底照片和B超配对建立的,AI分析依赖这些检查拍出的图像,不能取代检查本身。AI将来可能帮医生读片更快,但检查项目仍由医生决定,国内的检查流程短期内不会因此改变,如有疑虑可咨询眼科医生。

延伸阅读

学术研究

可解释视觉Transformer用于糖尿病视网膜病变筛查

研究者提出All-ViT Hybrid框架,将多个预训练视觉Transformer模型融合,用于眼底彩照的糖尿病视网膜病变(DR)二分类分诊(无DR vs DR)。该方法在APTOS 2019数据集上实现准确率0.9754、F1值0.9761、召回率0.9866,较最优基线模型F1提升1.11个百分点。技术包括CLAHE增强、视野掩膜、分层采样、头端热身训练与部分解冻策略,并支持操作点调节和测试时增强。

#人工智能#糖尿病视网膜病变#医学影像
PubMed Ophthalmology
学术研究

合成数据+可解释AI提升糖网分级准确率

研究提出一种结合合成视网膜眼底图像与可解释机器学习的新框架,用于糖尿病视网膜病变(DR)严重程度分级。通过HSV色彩转换、GLCM纹理分析和病灶量化提取临床相关特征,用1200例合成图像训练随机森林分类器,并集成SHAP解释模块。该框架在合成数据上达到94%准确率,优于ResNet-50等主流深度学习模型,且SHAP分析显示其决策聚焦于临床上公认的渗出物等关键特征。

#人工智能#糖尿病视网膜病变#医学影像
PubMed Ophthalmology
学术研究

AUBADE-syn:用合成图像提升青光眼AI检出准确率

研究团队提出一种名为AUBADE-syn的深度学习集成方法,专为解决青光眼筛查中数据类别严重失衡问题而设计。该方法结合视盘中心区域裁剪与无分类器引导扩散模型生成逼真的青光眼眼底图像,增强少数类样本。在EyePACS数据集(类别比1:30)上,其AUC达0.992,优于加权损失、Focal Loss等主流方法,并在10个独立公开数据集上验证了泛化能力。

#青光眼#人工智能#医学影像
PubMed Ophthalmology