基于眼底照相的颈动脉内中膜厚度风险分类模型
摘要
研究提出一种名为BMA-Net的双侧注意力网络,结合视网膜领域迁移学习,利用眼底照片进行基于颈动脉内中膜厚度(CIMT)的心血管风险分类。模型先在亚太远程眼科学会(APTOS)2019失明检测数据集上预训练,再迁移到中国眼底CIMT数据集进行分类。十次独立初始化实验中,验证集宏F1均值为77.81%,AUC为84.08%;测试集分别为78.29%和85.22%,各项指标点估计高于此前的Siamese ResNeXt基线模型。
信息来源: PubMed Ophthalmology 发布于 2026年10月8日
要点速览
- 研究构建BMA-Net模型,用眼底照实现CIMT相关心血管风险分类,测试集AUC达85.22%。
- 采用两阶段迁移学习:先在亚太盲检数据集预训练EfficientNet-B4,再迁移到中国眼底CIMT数据集。
- 模型在十次独立初始化中平均宏F1达77.81%(验证集),性能优于Siamese ResNeXt基线模型。
本站解读
这项研究想解决的是心血管风险筛查的规模化问题。颈动脉内中膜厚度(CIMT)是反映早期动脉粥样硬化的成熟指标,但检测要靠超声设备和受过训练的操作者,难以大规模铺开。研究者用眼底照片训练模型来判断CIMT相关风险,模型在测试集上的AUC为85.22%,宏F1为78.29%,各项指标点估计高于此前的基线模型,各类别之间的表现差距也更小。
证据强度仍有局限。摘要没有说明数据集的样本量和人群特征,结果来自同一数据集的验证集和测试集,还没有在其他人群或真实临床场景中做前瞻性验证。我们的判断是,用眼底照顺带评估心血管风险的方向有前景,但这个模型短期内更适合作为研究工具,不能替代超声检查。
这项研究与国内关系更直接:模型使用的是中国眼底CIMT数据集,说明这类方法已有基于国内人群数据开发的基础。未来若在更多人群中验证有效,眼底照有望增加心血管风险提示的价值,但能否进入临床、何时进入都有待确认。
常见问题
只拍个眼底照,真能查出心血管病风险吗?
目前还不能用来下结论。这项研究的模型能从眼底照中识别与颈动脉内中膜增厚相关的风险,测试集AUC为85.22%,提示有辅助筛查潜力,但尚未在临床中验证,也不能替代超声等检查。模型用的是中国眼底数据集,国内能否应用有待确认,如有疑虑可咨询眼科医生或相关专科医生。
这个技术什么时候能在医院用上?
目前没有时间表。研究还停留在算法验证阶段,摘要没有提到前瞻性临床试验或监管审批,从论文到医院应用还需要在更多人群中验证并完成注册审批。虽然模型基于中国眼底数据集开发,国内何时能用仍不确定,现阶段眼底照主要还是用于评估眼部疾病。
延伸阅读
深度学习从眼底照预测RNFL厚度并生成青光眼诊断似然比
研究开发了一种深度学习算法,通过普通眼底彩色照片预测视网膜神经纤维层(RNFL)厚度,并将连续预测值转化为青光眼诊断的似然比。研究纳入232名青光眼性视神经病变患者和127名健康对照者,采用横断面设计。结果显示,算法预测的RNFL厚度在青光眼组显著更低(71.3±10.6 μm vs. 95.5±7.2 μm),AUC表现良好,支持个体化概率化诊断。
视网膜AI模型可微调心血管风险分层
研究基于英国生物银行40672名未用他汀的中年人(40–69岁,无糖尿病),评估视网膜AI风险评分对10年动脉粥样硬化性心血管病(ASCVD)的预测价值。结果显示,该AI评分在调整SCORE2后仍显著预测ASCVD(极高危组HR=2.32);加入AI评分后,有1.2%的参与者被重新分类至ESC/EAS他汀用药建议边界两侧,净重分类指数为0.012;但未提升C指数或临床净获益。
深度学习模型诊断眼弓形虫病的准确性评估
研究系统回顾并荟萃分析了16项使用眼底照相诊断眼弓形虫病(OT)的深度学习模型。其中9项研究共24种模型纳入定量分析,汇总敏感度为96.5%,特异度为95.5%,诊断优势比达594.1。但81.2%的研究仅依赖单一巴拉圭数据集(OTFID),存在地域偏倚和泛化能力不足问题。