深度集成CNN模型提升糖网筛查准确率
摘要
研究提出一种名为RDE-DR的深度集成模型，融合ResNet50、VGG16、VGG19和DenseNet121四种预训练CNN，并采用CLAHE图像增强与七种异构融合策略，在APTOS 2019眼底图像数据集上实现最高98.64%准确率、99.78% AUC。研究强调模型鲁棒性、概率校准与决策边界稳定性，旨在支持临床辅助诊断。
信息来源： PubMed Ophthalmology 发布于 2026年5月17日
要点速览
- RDE-DR模型在APTOS 2019数据集上达到98.64%准确率和99.78% AUC
- 融合ResNet50、VGG16、VGG19、DenseNet121四种CNN，并采用CLAHE增强与七种异构融合策略
- 研究重点评估模型鲁棒性、概率校准特性及决策边界稳定性
本站解读
这项研究本质上是用更聪明的‘投票机制’把四个成熟AI模型的能力拧成一股绳——不是简单平均，而是尝试了包括模糊积分在内的七种融合方式，最终在公开数据集上跑出了98.64%准确率和99.78% AUC。样本仅来自APTOS 2019单个数据集，未见多中心、跨设备、真实筛查场景的验证，属于算法优化阶段成果，离嵌入医院PACS系统或通过药监审批还有明显距离。
它不会立刻改变医生看片流程，但为后续开发高鲁棒性AI辅助工具提供了可复用的技术路径，尤其在图像预处理（CLAHE）与模型校准上的设计值得借鉴。普通人无需因此调整检查频率或行为，糖网筛查仍需依赖规范眼底照相和专业判读；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视网膜病变吗？
不能直接用于个人自查。该模型目前仅在实验室环境下的APTOS 2019数据集上验证有效，尚未作为医疗器械获批上市，也未集成到常规筛查流程中。眼底图像采集质量、设备差异和真实临床场景复杂性都会影响AI表现。如有疑虑可咨询眼科医生。
比医生看图还准吗？
研究显示模型在特定数据集上达到98.64%准确率，但这是在高度控制条件下对已标注图像的测试结果，不等于替代医生判读。临床诊断还需结合患者病史、视力变化、OCT等多模态信息。AI目前定位是辅助工具，而非独立决策者。
延伸阅读
优化深度学习技术提升糖尿病视网膜病变检测
糖尿病视网膜病变（DR）是导致糖尿病患者视力丧失的主要原因之一，早期检测至关重要。现有的机器学习和优化方法在处理高维、异质性和复杂的视网膜图像时面临挑战。本研究提出了一种动态蝗虫优化算法（DGOA），通过自适应参数控制选择最具区分性的特征，并结合集成学习分类器，提高了模型的鲁棒性和准确性。该方法在EyePACS数据集上进行了验证，结果显示其在计算效率、泛化能力和物理信息特征提取方面具有显著优势。
深度学习算法在糖尿病视网膜病变中的非灌注区自动量化
该研究旨在评估一种定制的深度学习算法在超广角扫频源OCT血管成像（UWF SS-OCTA）中对非灌注区（NPA）进行自动分割的性能及其在糖尿病视网膜病变（DR）严重程度评估中的应用。研究采用横断面设计，纳入180只眼，涵盖所有DR严重程度等级。研究人员开发了一种基于多尺度U-Net骨干网络并结合挤压和激励注意力机制的卷积神经网络，用于从三种扫描模式（6 × 6 mm、12 × 12 mm 和 29 × 24 mm）的全视网膜层图像中分割NPA。通过两名独立评分者和一名玻璃体视网膜专家生成的金标准标注，以及结构OCT图像来区分真实NPA与阴影伪影。结果显示，该算法在不同扫描尺寸下均表现出高精度（F1分数分别为0.82 ± 0.01、0.84 ± 0.03 和 0.83 ± 0.02），且无显著差异。Bland-Altman分析表明，人类标记和算法预测的非灌注指数（NPI）之间具有高度一致性。结论是，该深度学习算法在单次扫描UWF SS-OCTA中实现了高精度和可扩展性，支持其作为客观DR OCTA生物标志物分析工具的潜力。
Eyerobo便携眼底相机AI筛查糖尿病视网膜病变验证成功
研究验证了新型便携式免散瞳眼底相机Eyerobo FC在糖尿病视网膜病变（DR）筛查中的诊断性能。研究采用迁移学习方法，将原本在桌面式眼底相机图像（EyePACS、APTOS 2019数据集）上训练的EfficientNet-B4模型，直接用于Eyerobo FC拍摄的图像，未做任何重训练。在104只眼睛的前瞻性队列中（52例可转诊DR，52例不可转诊），其敏感度达92.3%，特异度94.2%，与桌面式Topcon TRC NW6相机基准（敏感度92.7%，特异度94.3%）相比达到非劣效性。