跳转到主要内容

#糖尿病视网膜病变

41 篇

与"糖尿病视网膜病变"相关的眼科资讯

学术研究

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。

#糖尿病视网膜病变#深度学习#OCT血管成像
PubMed Ophthalmology
学术研究

零样本学习在眼科疾病检测中的突破

深度学习在医学图像分析中面临的主要瓶颈之一是需要大规模、专家标注的数据集。特别是在眼科领域，早期疾病的检测如轻度糖尿病视网膜病变（DR1）由于病灶细微且标注数据稀缺，使得监督学习方法受限。本研究提出了一种基于零样本学习（ZSL）的通用眼病检测框架，该框架模仿临床推理过程。通过使用LCFP-14M这一大规模眼底图像资源，该方法首先利用Siamese网络识别疾病相关性，然后从高度相关的源疾病中分割出DR1特异性病灶，并采用ResNet-Agglomerative聚类管道实现无监督的DR1检测。结果显示，该模型在未使用任何标注的DR1数据的情况下，实现了0.8337的准确率、0.8700的精确率、0.7456的召回率、0.8030的F1分数和0.9226的ROC-AUC值，优于大多数外部测试数据集上的监督基线。这些发现表明，ZSL可以模拟临床诊断逻辑，并推广到未见过的眼病，为标注数据稀缺情况下的自动化筛查提供了一种有前景的方法。

#零样本学习#眼科AI#糖尿病视网膜病变
PubMed Ophthalmology
学术研究

基于解剖学上下文的深度学习在糖尿病视网膜病变黄斑分割中的应用

准确的黄斑分割是糖尿病视网膜病变筛查的关键步骤，但因黄斑边界模糊而极具挑战性。精确分割对于糖尿病黄斑水肿（DME）的管理至关重要，因为治疗决策依赖于黄斑区域的准确界定。现有方法多依赖于增加模型架构复杂度，而解剖学上下文信息的应用尚未充分探索。本研究提出了一种数据驱动的方法，通过逐步引入关键解剖标志（如视盘、视网膜和血管）来增强黄斑检测。为此，研究团队开发了IDRiD-RETA-FV数据集，并设计了MNv4Fovea框架，利用多类约束机制明确利用这些解剖学相互依赖关系。实验结果表明，该方法在多个数据集上表现出色，特别是在REFUGE和MESSIDOR数据集上的平均欧几里得距离达到最佳水平。

#糖尿病视网膜病变#黄斑分割#深度学习
PubMed Ophthalmology
临床实践

眼底病易漏诊？专家提醒五类高危情况

迈阿密阳光眼科视网膜中心 Singh 医生指出，综合眼科医生常漏诊五类视网膜疾病。他特别提到增殖性糖尿病视网膜病变，建议利用光学相干断层扫描血管成像技术辅助诊断。该技术能提供视盘新生血管参考点，帮助医生判断是立即转诊给视网膜专家还是继续观察。这一建议旨在提升基层医生对高危眼底病的识别能力，优化转诊决策流程，避免患者因延误治疗导致视力不可逆损伤，强调了影像学检查在复杂眼底病筛查中的辅助价值。

#眼底病#糖尿病视网膜病变#OCTA
Healio Ophthalmology
学术研究

糖尿病视网膜病变分期分子图谱出炉，早期干预新靶点浮现

这项研究整合了人和小鼠视网膜的批量及单细胞转录组数据，揭示了糖尿病视网膜病变不同阶段的细胞分子特征。无临床病变期光感受器核糖体通路变化显著，非增殖期内皮细胞和周细胞转录改变伴层粘连蛋白信号增强，增殖期神经胶质细胞广泛参与且血管生成素样信号变化明显。研究还发现了特定的内皮细胞亚型及与大胶质细胞疾病持续时间相关的基因特征，并通过 qPCR 确认了早期关键基因表达改变，为潜在治疗靶点提供依据。

#糖尿病视网膜病变#单细胞测序#分子靶点
PubMed Ophthalmology