学术研究 2026年11月16日 糖尿病视网膜病变分级的深度学习模型研究 这项研究提出一种用视网膜图像判断糖尿病视网膜病变严重程度的深度学习方法:用带视觉Transformer注意力机制的ShuffleNet V2提取特征,经改进的鲸鱼优化算法微调,再用卷积Kolmogorov-Arnold网络分级。模型在EyePACS数据集上以五折交叉验证训练,在Messidor-2数据集上平均准确率为93.84%。作者称模型所需计算资源很少。 #糖尿病视网膜病变#深度学习#眼底图像 PubMed Ophthalmology
学术研究 2026年11月16日 深度学习预测新生血管性AMD抗VEGF疗效 KongMing研究是在中国12个省18家三级转诊医院开展的前瞻性全国多中心研究,用康柏西普3+PRN方案治疗的新生血管性年龄相关性黄斑变性(nAMD)患者数据,开发预测视力和解剖预后的深度学习模型。内部数据集1226人、29772张OCT图像,外部数据集172人、3308张。预测视力变化的AUC内部测试0.948,外部测试0.941,人机对比优于不同经验的眼科医生。 #新生血管性黄斑变性#抗VEGF#深度学习 +1 PubMed Ophthalmology
学术研究 2026年11月16日 亚洲人群地图样萎缩进展预测因素研究 这项前瞻性纵向队列研究纳入139名亚洲年龄相关性黄斑变性继发地图样萎缩(GA)患者的155只眼,随访12个月,用眼底自发荧光测量萎缩面积,并用经过验证的深度学习算法在OCT上分割RPE层丢失、光感受器变性、高透射和RORA等结构。基线GA面积平均3.89 mm²,12个月平均扩大0.83 mm²。基线面积较大、多灶性病变和视网膜下玻璃膜疣样沉积与萎缩扩大更快相关。超出已有萎缩区的光感受器变性只带来小幅的额外预测价值;中心1毫米区域的OCT特征与12个月视力的关联有限。 #地理萎缩#年龄相关性黄斑变性#OCT +2 PubMed Ophthalmology
学术研究 2026年11月16日 HiRNet提升手机眼底照相血管分割精度 研究团队提出一种新型深度学习网络HiRNet,用于分割智能手机拍摄的眼底图像中的视网膜血管。该网络融合CNN与Transformer结构,通过非对称空洞卷积和多路径空洞注意力机制提取局部血管特征与全局上下文信息,并引入分层上下文传输模块优化血管连续性和边界识别。在RVD(手机眼底图像数据集)上,HiRNet达到58.36%的平均敏感度、95.83%准确率、58.39% F1分数和95.16% AUC;在标准数据集DRIVE和CHASE_DB1上也表现优异。 #AI医疗#眼底筛查#深度学习 PubMed Ophthalmology
学术研究 2026年11月16日 基于OCT和深度学习的糖尿病周围神经病变早期诊断 这项研究尝试用视网膜OCT图像识别糖尿病周围神经病变(DPN)。研究者以ResNet-18为特征提取器,搭建多头注意力深度学习模型,融合不同视网膜层的en face OCT图像,共纳入435名糖尿病患者544只眼的3264张图像。模型在五折交叉验证中平均AUC为0.719,在按时间划分的验证集中为0.721;各视网膜层中无血管层预测价值最高(平均AUC 0.707)。可视化显示光感受器缺损区域对模型判断贡献最大。作者认为这是有前景的无创早筛思路,但需要进一步验证。 #OCT#深度学习#糖尿病周围神经病变 PubMed Ophthalmology
学术研究 2026年11月16日 基于视觉变换器的青光眼检测模型 研究用深度学习模型分析视盘照片,判断眼睛是否为青光眼。照片来自三个数据库,由两名青光眼专科医生独立分级作为判断标准;图像先经开源R语言和视盘分割模型RimNet预处理,再用基于谷歌Vision Transformer(ViT)的模型分类。共分析1432只青光眼眼(平均MD为-2.09 dB),模型在训练、验证、测试阶段的AUC分别为1.00、0.98和1.00,测试集准确率0.987、灵敏度0.994、特异度0.969。另用956只晚期青光眼眼(MD低于-6 dB)评估,准确率达99.9%。作者认为该方法有望成为资源有限地区低成本的青光眼筛查工具。 #青光眼#深度学习#视觉变换器 PubMed Ophthalmology
学术研究 2026年11月16日 深度学习模型可分割超广角造影中的糖网渗漏区域 糖尿病视网膜病变(糖网)影响约30%-40%的糖尿病患者,血管渗漏是其标志性病变,通常在超广角荧光素血管造影(UWFA)晚期图像中观察。由于渗漏区域形态不规则、UWFA图像分辨率高、计算量大,准确分割一直有难度。研究团队提出一种结合多尺度采样、二维小波变换和指数移动平均(EMA)机制的深度学习框架,并加入交叉引导的邻域细化策略提升边界精度。模型在广东省人民医院和佛山市第二人民医院的UWFA数据集上验证,结果显示能高效、准确地分割渗漏区域。 #糖尿病视网膜病变#深度学习#超广角荧光素血管造影 PubMed Ophthalmology
学术研究 2026年11月12日 深度学习模型可准确区分脉络膜萎缩与相似眼病 研究开发并验证了三种深度学习模型,用于基于黄斑OCT容积图像区分脉络膜萎缩(CHM)、USH2A相关杆锥细胞营养不良及健康对照。数据来自262名参与者共535个OCT容积(Heidelberg Spectralis设备采集),其中80个容积进入独立测试集。结果显示,模型在测试集上体积级准确率和加权F1分数均优于两名不知情的眼科医生,且简单切片聚合与复杂混合架构性能相近。 #深度学习#OCT#脉络膜萎缩 PubMed Ophthalmology
学术研究 2026年11月12日 黄斑中心与视盘中心眼底照相在眼龄预测中的表现比较 该研究回顾性分析了5895名40岁以上患者(共12230对同日拍摄的黄斑中心与视盘中心彩色眼底照相),比较两种拍摄方式在深度学习年龄预测中的准确性及与疾病关联性。结果显示,黄斑中心照相的平均绝对误差更小(7.09年 vs 7.77年),两类预测结果整体一致性高(ICC=0.83),但存在系统性偏差。视网膜年龄差(RAG)与年龄相关性黄斑变性显著相关(OR=3.57),且该关联不受拍摄中心位置影响。 #眼底照相#深度学习#视网膜年龄 PubMed Ophthalmology
学术研究 2026年11月12日 视网膜伪小疣和 drusen 体积预测晚期AMD进展 研究团队用深度学习算法自动分割并量化OCT图像中的视网膜伪小疣(RPD)和各类drusen体积,纳入51只眼(平均年龄74.9岁),随访约24个月。结果显示,基线RPD体积每增加0.01 mm³,进展为晚期年龄相关性黄斑变性(AMD)的风险升高8.2%;总drusen体积每增加0.01 mm³,风险升高8.0%。大型drusen和drusen样色素上皮脱离(PED)体积也独立关联进展风险。 #AMD#OCT#深度学习 +1 PubMed Ophthalmology
学术研究 2026年10月27日 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。 #糖尿病视网膜病变#AI辅助诊断#深度学习 PubMed Ophthalmology
学术研究 2026年10月27日 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。 #糖尿病视网膜病变#深度学习#AI辅助诊断 PubMed Ophthalmology