联邦学习框架提升糖尿病视网膜病变筛查隐私性与可解释性
摘要
研究提出一种隐私保护型联邦混合专家（FL-MoE）深度学习框架，用于跨机构糖尿病视网膜病变（DR）分级。该框架结合可解释AI技术，在EyePACS和APTOS-2019数据集上测试了CNN、CNN-LSTM及ViT等多种主干网络。结果显示，CNN-LSTM在准确率（76.2%）、AUC（89.5%）和通信成本（比ViT低一个数量级）方面表现最优，且对数据异质性鲁棒性强，Grad-CAM可视化能粗略定位DR相关视网膜区域。
信息来源： PubMed Ophthalmology 发布于 2026年6月23日
要点速览
- 提出FL-MoE联邦学习框架，支持跨机构协作训练DR分类模型，不集中原始医疗数据。
- 在EyePACS数据集上，CNN-LSTM主干实现76.2%准确率和89.5% AUC，通信成本比ViT低一个数量级。
- Grad-CAM可视化可粗略定位DR相关视网膜区域，但定量评估显示定位精度较低（IoU < 0.03）。
本站解读
这项研究本质上是为了解决一个现实困境：医院之间不能共享患者眼底照片，但又需要联合训练高精度AI模型来筛查糖尿病视网膜病变。它没造新硬件，也没发现新病变机制，而是用‘联邦学习+混合专家’的算法组合，在不挪动数据的前提下，让多家医院的模型越练越准——尤其CNN-LSTM结构在76.2%准确率下把通信量压到ViT的十分之一，这对基层设备带宽有限的场景很实用。
研究用了两个公开眼底数据集，没提真实临床环境中的多中心前瞻性验证，样本量和临床代表性尚不明确；Grad-CAM定位质量也较粗略（IoU均低于0.03），说明当前解释性仍属辅助参考级别。短期内不会直接改变医生看片流程，但为未来区域影像中心或医联体部署分布式AI筛查系统提供了更稳、更省、更合规的技术路径。
普通人无需因此调整生活习惯或就诊节奏，糖尿病患者照常控糖、定期查眼底即可；如有疑虑可咨询眼科医生。国内情况有待确认。
常见问题
这个AI筛查系统能直接用在我家附近医院吗？
目前还不能。该研究处于算法验证阶段，基于公开数据集测试，并未在真实医院环境中部署或通过医疗器械审批。它展示了一种可行的技术路径，但要落地到具体医院，还需完成临床验证、监管注册和系统集成。如有疑虑可咨询眼科医生。
AI看出问题，是不是就不用医生看了？
不是。该AI仅用于辅助分级筛查，不能替代医生诊断。研究中所有结果都需结合临床检查确认，且其可视化解释（如Grad-CAM热图）定位精度有限（IoU均低于0.03），仅具探索性。最终判断仍须由眼科医生综合评估。
延伸阅读
FedMediFormer-XAI：面向糖尿病的联邦多模态AI框架
该研究提出FedMediFormer-XAI框架，整合联邦学习、多模态Transformer、扩散模型数据增强、图神经网络（GNN）药物推荐和可解释AI（XAI），用于糖尿病预测与个性化用药推荐。系统融合临床记录、眼底图像、动态血糖监测、可穿戴设备数据等多源异构信息。在代表性实现中，疾病预测准确率达94.2%，AUC-ROC为0.96；药物推荐模块NDCG达0.91。
大语言模型用于糖尿病视网膜病变患者教育的评估
研究对比了ChatGPT、Gemini、DeepSeek、Doubao、Copilot和Perplexity六款大语言模型在回答50个标准化糖尿病视网膜病变患者问题时的表现。由五名评审员依据安全、准确、共情、信息质量（DISCERN、JAMA等）、透明度和可读性等维度评分。结果显示，各模型安全响应率在86.0%至94.0%之间，准确性普遍较高，但共情能力差异明显；Perplexity在信息质量指标上得分最高，Gemini可读性最佳，但所有模型的Flesch阅读易度分均低于推荐阈值。
超广角OCTA联合临床指标识别2型糖尿病早期视网膜病变
该研究纳入1676名2型糖尿病患者，其中1047人用于训练、453人用于内部测试、176人来自社区的外部验证集。研究结合超广角光学相干断层扫描血管成像（UW-OCTA）图像与临床指标（如病程、糖化血红蛋白、低密度脂蛋白胆固醇和收缩压），构建多模态深度学习模型。结果显示，多模态模型在内部和外部验证集中AUC分别为0.921和0.849，优于仅用图像或仅用临床数据的模型，提示其有助于无创识别早期糖尿病视网膜病变。