构建细粒度白内障严重程度评估眼底图像数据集
摘要
研究团队构建了首个含187例眼底图像的白内障严重程度与诊断图像数据集（CSDI），每例均配专业临床诊断报告。针对现有深度学习方法仅能做二分类的局限，该研究提出基于多模态大语言模型（MLLM）的诊断框架，可实现细粒度严重程度评分并生成专业诊断文本。这是首次将MLLM技术用于定量、分级白内障诊断。
信息来源： PubMed Ophthalmology 发布于 2026年2月7日
要点速览
- 研究构建了含187例眼底图像的CSDI数据集，每例附专业临床诊断报告。
- 提出基于多模态大语言模型（MLLM）的框架，可从眼底图像输出细粒度严重程度评分及诊断文本。
- 这是首次将MLLM技术应用于定量、分级白内障诊断，数据集与标注已公开。
本站解读
这项研究最实在的突破是建成了一个只有187例但标注极精细的眼底图像数据集，并首次用多模态大语言模型从眼底图里直接输出类似医生写的诊断描述和分级结论——不是简单说‘有’或‘无’白内障，而是给出接近临床所需的分层判断。样本量小是硬伤，187例远不足以支撑模型直接上临床，且眼底图像本身并非白内障常规检查手段（通常靠裂隙灯），所以当前更像一项技术验证而非诊疗替代方案。
它短期内不会改变医生看白内障的方式，但为未来AI辅助诊断报告生成提供了新路径。若后续能在更大规模、更多中心的裂隙灯或Scheimpflug图像上复现类似能力，才可能真正嵌入工作流。国内情况有待确认。
普通人无需因此调整任何行为：眼底照相不用于白内障筛查，也不推荐自行用AI工具评估视力变化。如有疑虑可咨询眼科医生。
常见问题
这个AI能帮我看看白内障严不严重吗？
不能。该研究使用的AI模型基于眼底图像，而白内障诊断标准方法是裂隙灯检查；其数据集仅187例，尚未经过临床验证，也未用于真实诊疗场景。目前没有获批的AI工具可替代医生进行白内障严重程度判定。如有疑虑可咨询眼科医生。
以后查白内障是不是拍个眼底照片就行？
不是。眼底照相主要用于观察视网膜和视神经，白内障是晶状体混浊，需通过裂隙灯或Scheimpflug成像等前节检查方式才能准确评估。本研究用眼底图像做探索性尝试，不代表临床可行路径。如有疑虑可咨询眼科医生。
延伸阅读
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。
可解释AI模型GlaucoXAI用于青光眼早期筛查
研究提出一种名为GlaucoXAI的可解释人工智能诊断模型，利用眼底彩照识别早期青光眼。模型分四步：图像预处理、曲线特征提取（采用FDCT-WRP）、PCA与LDA联合降维、改进灰狼优化算法（IMGWO）调优极限学习机（ELM）进行分类。在G1020和ORIGA两个公开数据集上，准确率分别达93.87%和95.38%，高于现有方法，并通过10×5折分层交叉验证增强结果可信度。
SC-MSDNet提升OCT图像分类泛化能力
研究针对现有视网膜OCT分类模型在不同成像条件下泛化能力差的问题，提出空间一致性多视角自蒸馏网络（SC-MSDNet）。该方法将卷积特征按深度方向划分为水平条带，并在每个区域强制跨视角特征一致性，使深度方向的特征连贯性成为显式优化目标，而非事后解释工具。