一种联合分析视网膜图像的新AI模型
摘要
研究者提出GTAM-Net模型，首次在单个端到端网络中同步完成视盘分割与糖尿病视网膜病变（DR）分级两项任务。该模型通过门控任务注意力机制动态分配共享特征，并引入多尺度特征金字塔和不确定性加权损失函数。在IDRiD、DDR等5个公开数据集上测试，视盘分割Dice分数达98.17%，DR分级准确率达99.12%，跨数据集表现稳定。
信息来源： PubMed Ophthalmology 发布于 2026年5月19日
要点速览
- GTAM-Net是首个在单端到端网络中同步完成视盘分割与DR分级的多任务深度学习模型
- 模型采用门控任务注意力模块、多尺度特征金字塔和不确定性加权损失函数三大关键技术
- 在5个公开数据集上实现98.17%视盘分割Dice分数和99.12%DR分级准确率
本站解读
这项研究本质上是把两个原本‘各自为政’的AI任务——圈出视盘位置和判断DR严重程度——塞进同一个神经网络里，并教会它聪明地决定哪些特征该共用、哪些该专用。样本覆盖5个不同来源的公开数据集，虽未说明总图像数，但跨数据集验证结果稳定，说明模型对设备差异、拍摄条件变化有一定鲁棒性，比单任务模型更贴近真实筛查场景。
不过，论文只验证了算法性能，没提部署成本、实时性、医生工作流整合或临床终点影响，离真正嵌入基层筛查系统还有距离。99.12%的DR分级准确率听起来很高，但实际应用中需看轻度病变识别率、假阳性率及与金标准的一致性。目前所有测试均在境外公开数据集完成，国内情况有待确认。
普通人无需因此改变行为——这不改变筛查频率、检查方式或治疗选择。AI工具再强，也不能替代定期眼底检查；如有疑虑可咨询眼科医生。
常见问题
这个新AI模型能直接帮我查出有没有糖尿病眼病吗？
不能直接用于个人诊断。它是一种后台分析技术，需要配合专业设备拍摄的眼底照片，在医疗机构或筛查平台中运行。目前仅在实验室阶段验证，尚未作为独立产品投入临床使用。如有疑虑可咨询眼科医生。
听说准确率快99%了，是不是以后不用医生看片了？
不是。高准确率是在特定数据集上的算法指标，不代表可替代医生综合判断。DR诊断还需结合视力、眼压、光学相干断层扫描等多维度信息，且模型无法评估患者全身状况和治疗反应。医生仍是决策主体。
延伸阅读
自生成病灶提示的多视角糖尿病视网膜病变分级方法
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。
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。
混合量子卷积神经网络检测糖尿病视网膜病变
研究提出一种混合量子卷积神经网络（HQCNN）模型，用于从眼底彩色图像中自动识别糖尿病视网膜病变（DR）。该模型在Kaggle眼底图像数据库上训练和测试，评估指标包括准确率、敏感性、特异性、精确率和F1分数，结果显示准确率为98.89%，敏感性为99.37%，特异性为99.57%，精确率为98.89%，F1分数为97.58%。