优化深度学习技术提升糖尿病视网膜病变检测
摘要
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。
信息来源： PubMed Ophthalmology 发布于 2026年3月23日
要点速览
- 糖尿病视网膜病变是导致糖尿病患者视力丧失的主要原因之一
- 研究提出了一种动态蝗虫优化算法（DGOA）用于特征选择，并结合集成学习分类器
- DGOA-Ensemble模型在EyePACS数据集上实现了94.6%的准确率、0.94的F1分数和0.96的AUC-ROC
本站解读
这项研究揭示了糖尿病视网膜病变检测技术路线的重要变迁。传统的机器学习方法在处理视网膜图像时存在诸多局限，如特征选择不佳、泛化能力不足等问题。而新的动态蝗虫优化算法（DGOA）通过自适应参数控制，有效解决了这些问题，提升了模型的鲁棒性和准确性。这不仅意味着技术上的突破，也预示着商业格局的重塑。国内外多家眼科科技公司都在积极布局AI辅助诊断领域，但真正能够实现高效、准确且可解释的解决方案并不多见。DGOA-Ensemble模型在EyePACS数据集上的表现，展示了其在计算效率、泛化能力和物理信息特征提取方面的显著优势，有望成为行业标杆。
从竞争生态来看，这一技术进步将对现有市场参与者构成挑战。传统的眼科影像分析工具可能逐渐失去竞争力，而那些能够快速跟进并整合新技术的企业将占据更有利的位置。此外，随着AI技术在眼科领域的应用日益广泛，数据安全和隐私保护也将成为重要议题。未来，需要密切关注的是，这些先进技术能否顺利转化为临床实践，并获得医生和患者的广泛认可。
常见问题
这个新方法能帮助我更早发现糖尿病视网膜病变吗？
这项研究提出的新方法确实提高了糖尿病视网膜病变的检测准确性，有助于早期发现病变。如有疑虑可咨询眼科医生。
这种技术什么时候能在医院里用上？
目前这项技术还在研究阶段，具体何时能在医院中广泛应用还需进一步的临床验证和审批。如有疑虑可咨询眼科医生。
延伸阅读
深度集成CNN模型提升糖网筛查准确率
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。
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。