跳转到主要内容

#人工智能

76 篇

与"人工智能"相关的眼科资讯

学术研究

AI诊断糖尿病视网膜病变的准确性评估

一项在二级眼科中心开展的前瞻性研究，纳入294名患者共576只眼，使用Topcon NW400相机拍摄眼底照相，由Google ARDA AI工具与视网膜专科医生分别判读。以医生判读为金标准，AI对糖尿病视网膜病变（DR）的敏感性达97.1%，特异性90.9%，Kappa值0.77；对糖尿病性黄斑水肿（DME）诊断效率89.9%，但Kappa仅0.48，一致性较弱。

#人工智能#糖尿病视网膜病变#眼底筛查
PubMed Ophthalmology
学术研究

多模态OCT影像联合深度学习预测特发性黄斑前膜视力损害

研究团队基于351例特发性黄斑前膜（ERM）患者的多模态光学相干断层扫描（OCT）图像，构建了单流至八流深度学习模型，用于预测患者是否出现≤20/50的严重视力损害。模型输入包括水平/垂直B扫OCT、浅层/深层/全层OCT血管成像及视网膜厚度图。八流模型在开发集准确率达90.90%，外部验证达80.00%。热力图显示模型关注黄斑中心及旁中心区、增厚与皱褶区域。

#黄斑前膜#OCT#人工智能
PubMed Ophthalmology
学术研究

用CheXNet加注意力机制提升糖网眼底图像分析

该研究提出一种融合CheXNet预训练权重与卷积块注意力模块（CBAM）的深度学习模型，用于糖尿病视网膜病变（DR）的眼底图像自动分级。模型在APTOS 2019和DDR两个公开数据集上分别达到96.12%和96.33%的准确率，优于CheXNet、DenseNet121等五种对比模型。研究还引入Grad-CAM可视化技术解释模型决策依据。

#人工智能#糖尿病视网膜病变#医学影像分析
PubMed Ophthalmology
学术研究

构建细粒度白内障严重程度评估眼底图像数据集

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。

#白内障#人工智能#医学影像
PubMed Ophthalmology
学术研究

OpthaNet：轻量化AI模型提升眼病图像分类精度

该研究针对白内障、糖尿病视网膜病变和青光眼三类眼病，基于眼底图像开发了名为OpthaNet的注意力增强型AI分类架构。研究人员对EfficientNetB3、MobileNetV2和视觉Transformer三种模型进行定制优化，分别引入注意力特征精炼模块、OpthaHead分类器和META定制策略。结果显示，优化后的EfficientNetB3准确率达96.04%，较基线提升10.84%；MobileNetV2提升11.26%；视觉Transformer经META定制后性能提升超18%。

#人工智能#眼底图像#糖尿病视网膜病变
PubMed Ophthalmology
学术研究

AI辅助鉴别IgG4眼病与眼眶MALT淋巴瘤

该综述系统梳理了人工智能（尤其是放射组学和深度学习）在区分IgG4相关眼病（IgG4-ROD）与眼眶黏膜相关淋巴组织（MALT）淋巴瘤中的应用进展。研究指出，两者影像特征高度相似，临床鉴别困难；AI可通过提取高维影像特征构建预测模型提升诊断准确性。文章总结了多模态影像整合、模型优化策略，并指出当前研究普遍存在样本量小、单中心回顾性设计、数据异质性强、可解释性不足及缺乏外部验证等关键局限。

#人工智能#放射组学#眼眶疾病
PubMed Ophthalmology
学术研究

AI辅助床旁影像诊断的系统评价

该研究系统回顾了2018至2025年间20项AI辅助床旁影像（POC）临床决策支持研究，覆盖约78,296名患者、15国、多种影像模态。中位敏感度92%，特异度90.6%；65%研究证实非专科人员经平均1小时培训即可达专科级判读水平。但75%研究未提及可解释性（XAI），无一评估XAI是否影响临床决策或改善患者结局；70%研究存在高偏倚风险，整体证据确定性极低（GRADE ⊕◯◯◯）。

#人工智能#床旁影像#临床决策支持
PubMed Ophthalmology
学术研究

基于OCT图像预测视网膜静脉阻塞患者12个月视力

研究提出一种结合手工特征（HOG、BLBPs、GLCM）与CNN回归模型的新方法，利用OCT图像预测视网膜静脉阻塞（RVO）患者接受抗VEGF治疗12个月后的最佳矫正视力（VA）。该模型性能与11名眼科专科住院医师及1名视网膜专科顾问的临床判断相当，平均绝对误差显示模型略优趋势。

#OCT#人工智能#视网膜静脉阻塞
PubMed Ophthalmology
学术研究

深度学习模型可用OCT数据预测青光眼视野平均缺损值

研究团队利用1200只眼睛（432只为青光眼，768只为正常）同日采集的频域OCT高密度扫描数值与Humphrey视野分析仪30-2程序测得的平均缺损（MD）值，训练八种深度学习模型。结果显示InceptionV3模型表现最佳，平均绝对误差为3.36 dB，决定系数为0.53；在不同MD阈值下的分类任务中，CNN模型对轻、中、重度视野损害均有良好判别能力。

#青光眼#人工智能#OCT
PubMed Ophthalmology
学术研究

原发性干燥综合征精准诊断新进展

该综述指出，原发性干燥综合征（pSS）因血清阴性、疾病异质性和诊断延迟三大难题长期被误诊漏诊。约三分之一患者缺乏SSA/SSB抗体，导致识别困难。研究发现新型自身抗体如抗-DTD2、抗-RESF1、抗-CALR，以及唾液蛋白SP-1、PSP、CA6等多靶标组合，可在传统血清学转阳前检出疾病。唾液和泪液中的蛋白质、外泌体miRNA及代谢物等无创生物标志物，结合机器学习与AI分析，已实现接近活检的诊断准确率，并支持风险分层与个体化治疗。

#干燥综合征#生物标志物#人工智能
PubMed Ophthalmology
学术研究

基于改进鲸鱼算法与卷积KAN网络的糖尿病视网膜病变分级方法

研究人员提出一种新的人工智能模型，结合ShuffleNet V2与视觉Transformer注意力机制提取眼底图像特征，再用改进鲸鱼优化算法（IWO）微调，并通过卷积Kolmogorov-Arnold网络对糖尿病视网膜病变（DR）严重程度分级。模型在EyePACS数据集上训练，在Messidor-2数据集上测试，平均准确率达93.84%，且计算资源需求较低。

#人工智能#糖尿病视网膜病变#医学影像分析
PubMed Ophthalmology