新型可解释CNN模型用于糖尿病视网膜病变分级
摘要
研究者开发了一种名为FGNet的新型卷积神经网络,用于从视网膜图像中自动识别糖尿病视网膜病变的严重程度,并与VGG16、ResNet、EfficientNet、MobileNet等架构进行比较。FGNet训练10轮时准确率为0.75,20轮时为0.71,并结合梯度加权类激活映射(Grad-CAM)以热力图显示模型的决策依据。
信息来源: PubMed Ophthalmology 发布于 2026年4月18日
要点速览
- 研究提出一种名为FGNet的新型CNN架构,专用于糖尿病视网膜病变分级检测。
- 模型结合Grad-CAM技术提供可视化解释,显示AI判断所依据的眼底图像区域。
- 在10个epoch训练下,模型准确率达到0.75;20个epoch时为0.71。
本站解读
这项研究提出了一个专为糖尿病视网膜病变分级设计的新网络FGNet,并和VGG16、ResNet、EfficientNet、MobileNet等常见架构放在一起比较。FGNet训练10轮时准确率为0.75,训练20轮反而降到0.71。研究的卖点不在准确率,而在可解释:用Grad-CAM热力图标出模型做判断时关注的眼底区域,便于医生复核。
我们的判断是,这项工作属于方法探索,离临床应用还远。摘要没有披露数据来源、样本量和是否做过外部验证,也没有给出各分级的敏感性和特异性,仅凭0.75的准确率难以说明它能可靠区分不同严重程度。训练更久效果反而下降,也说明结果的稳定性有待检验。
放到国内看,AI辅助眼底阅片是糖尿病眼病筛查的重要方向,但具体到这一模型,能否用于中国人群的眼底照片、能否达到临床要求,目前都有待确认。糖尿病患者的眼底检查安排,如有疑虑可咨询眼科医生。
常见问题
这个AI模型能直接帮我查出有没有糖尿病眼病吗?
不能。FGNet还只是研究阶段的算法,没有经过真实临床环境的验证,原文也未提及任何审批,不能替代医生对眼底照片的判读。国内糖尿病患者的眼底检查通常需要在医疗机构由专业人员完成,具体多久查一次、查哪些项目,如有疑虑可咨询眼科医生。
听说AI看眼底很准,这个模型算准吗?
就目前公布的数据看,还谈不上准。FGNet训练10轮时准确率为0.75,训练20轮时为0.71,摘要也没有说明用了多少张图片、是否在别的医院数据上验证过。它的特点是能用热力图显示判断依据,属于方法探索。国内医院是否会采用这类模型尚不确定,如有疑虑可咨询眼科医生。
延伸阅读
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。
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。
人工智能在糖尿病视网膜病变中的应用进展
该综述系统梳理了人工智能在糖尿病视网膜病变(DR)中的多种应用,包括自动筛查、分级、病灶分割、多模态影像整合、个性化风险预测及代谢组学分析。研究指出,当前AI系统检测可转诊DR的诊断性能已接近甚至超过人类专家;深度学习提升了病灶识别与严重程度分级能力;但多模态融合、个性化随访和代谢组学等方向仍处于早期转化阶段。真实世界研究证实AI可提升筛查覆盖率和工作流效率,而外部验证不足、标准不统一、图像不可判读率高、设备与人群泛化性差等问题仍是落地障碍。