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 眼底图像加AI检测糖尿病大血管并发症:算法开发研究 一项研究开发并验证了基于眼底图像的AI筛查框架,用于早期发现糖尿病患者的外周动脉和主动脉疾病(PAAD)。方法结合类OCT结构特征、手工血管生物标志物和加入注意力模块的VGG16网络,并用多示例学习和多层特征融合。在独立测试集上,准确率94.6%,敏感度90.5%,特异度96.2%,AUC-ROC为0.973,单张图像推理时间约150毫秒。作者认为它可能支持更早诊断。 #糖尿病#眼底图像#人工智能 +1 PubMed Ophthalmology
学术研究 2026年11月16日 研究:视盘区眼底图像仍可被深度学习用于身份比对 研究者使用美国巴斯科姆·帕尔默眼科研究所4500名受试者、7724只眼的30836张彩色眼底照片,把每张照片处理为全视野眼底图、包含视盘周围0.5个视盘直径视网膜的视盘区图、仅含视盘的紧密裁剪图三种形式,分别训练孪生卷积神经网络进行生物识别验证。三类图像都保留了可测量的个体特征:全视野模型AUC 0.992、等错误率4.4%,视盘区模型AUC 0.989、等错误率5.5%,仅视盘模型AUC 0.969、等错误率10.5%;准确率分别为0.968、0.945和0.919。仅视盘图像的表现显著差于全视野图像,视盘区与全视野差别不显著。作者提醒,即便只共享局部视网膜图像,也要谨慎对待数据共享。 #生物识别#眼底图像#人工智能 PubMed Ophthalmology
学术研究 2026年11月12日 LiteFeatNet:轻量高效眼底多病识别模型 研究提出一种名为LiteFeatNet的轻量化卷积神经网络,专用于从眼底图像中同时识别多种视网膜疾病。该模型基于预训练NASNetMobile主干,引入中间层特征提取与空间感知特征图压缩模块,在仅用1824张图像(RFMiD数据集)、60:20:20划分下,测试准确率达90.33%,单图推理仅需4毫秒,模型体积仅19.87MB。它在多个指标上超越12种现有模型,并在外部数据集RFMiD 2.0及扩展至5类疾病的场景中保持高效稳健。 #人工智能#眼底图像#多病识别 PubMed Ophthalmology
学术研究 2026年10月27日 MedFineSAM提升眼底与前列腺影像分割精度 研究针对Segment Anything Model(SAM)在医学影像分割中缺乏细粒度解剖知识、易受错误提示干扰、结构不连续等问题,提出新型模型MedFineSAM。该模型整合三大模块:共享细粒度结构增强、提示门控机制和频域结构连续性扩散(SCFD)。在眼底图像和前列腺MRI基准测试中,其泛化性能优于现有方法,为单源域医学图像分割提供新路径。 #AI医疗#医学影像分割#眼底图像 PubMed Ophthalmology
学术研究 2026年10月27日 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