多模态 slit-lamp 图像识别感染性角膜炎亚型
摘要
研究团队开发了KeraFusionNet模型，融合弥散白光、裂隙光束和钴蓝光荧光染色三种常规裂隙灯图像，自动区分健康角膜、单纯疱疹性、细菌性、真菌性及其他角膜异常。在浙江眼科医院820名患者的3236张图像上准确率达87.40%，在爱尔光明眼科医院261名患者的862张图像上达83.49%，AUC最高达0.9899。
信息来源： PubMed Ophthalmology 发布于 2026年6月1日
要点速览
- KeraFusionNet模型整合弥散白光、裂隙光束和钴蓝光荧光染色三类裂隙灯图像进行分类
- 采用模态专用子网络+动态门控网络实现特征自适应融合
- 在浙江眼科医院数据集上总体准确率为87.40%，在爱尔光明眼科医院独立数据集上为83.49%
本站解读
这项研究发现，用三种常规裂隙灯图像联合训练的AI模型，能比单模态方法更准地区分感染性角膜炎的不同病因——比如把细菌性和真菌性角膜炎分开，准确率在两个中心分别达到87.4%和83.5%。这很实在：它没用新设备，而是榨干现有检查图像里的信息，且验证用了真实临床数据、跨两家医院，样本量合计超1000例患者，设计比多数单中心小样本AI论文更扎实。
但离进诊室还有距离。模型需嵌入医院PACS或裂隙灯系统，要通过医疗器械监管审批，还要医生信任并愿意用——而目前连是否支持中文界面、能否对接国内主流设备都未说明。国内情况有待确认。
普通人无需因此改变什么。这不是家用工具，也不改变诊断逻辑；它未来若落地，也只是帮医生更快锁定病因方向。如有疑虑可咨询眼科医生。
常见问题
这个AI能直接告诉我是不是真菌感染吗？
不能。它目前是研究阶段的辅助工具，需要由医生结合临床判断使用，不能替代专业诊断。该模型在测试中对真菌性角膜炎的AUC为0.9653，表现较好，但结果仍需医生综合病史、涂片、培养等确认。如有疑虑可咨询眼科医生。
以后去眼科看病会不会用上这个AI？
短期内不会普遍应用。该模型尚未进入医疗器械注册流程，也未说明是否适配国内主流裂隙灯或医院信息系统。它需完成临床验证、监管审批和系统集成才能落地，这些步骤通常需要数年。如有疑虑可咨询眼科医生。
延伸阅读
AI整合多模态眼底影像识别血管与神经退行性病变
研究团队开发了RetinalVNG-Net深度学习模型，整合眼底照相、光学相干断层扫描（OCT）和临床数据，同步评估高血压性视网膜病变、糖尿病视网膜病变、神经退行相关视网膜改变及正常对照。该模型在2740名受试者中验证，外部测试集宏平均AUC-ROC达0.944，各病种AUC均超0.92。结果表明其具备跨设备、跨中心的稳健性和泛化能力，支持进一步用于系统性血管与神经退行性疾病相关视网膜改变的风险分层。
AI辅助LC-OCT诊断基底细胞癌的新评分方法
研究提出两种新的扫描级AI评分指标——复合得分（每扫描中100%分帧占比）和稳定性得分（每扫描中最长连续100%分帧数），用于提升线场共聚焦光学相干断层扫描（LC-OCT）对皮肤基底细胞癌（BCC）的判别能力。分析568段LC-OCT视频（来自52名患者的82处病灶，含18例BCC和64例非BCC），结果显示两项得分在BCC组均显著更高（p<0.0001）。探索性设定48帧连续100%分阈值，实现100%敏感性和100%特异性。
GPT-5-Thinking辅助识别眼眶及头颈部肿瘤MRI报告
该研究在两家中心开展，纳入1000例经病理证实的眼眶或头颈部肿瘤患者，使用GPT-5-Thinking模型分析其治疗前MRI报告。模型输出良恶性判断及前三项鉴别诊断。第一阶段显示，模型对眼眶肿瘤的Top-1诊断准确率为76.7%，与亚专科医生的78.3%相近；第二阶段中，7名普通放射科医生在AI辅助下重读报告，诊断准确性提升。