#AI医疗

可解释AI预测儿童NF-1患者视力下降

研究团队利用光学相干断层扫描（OCT）数据，对168名儿童神经纤维瘤病1型（NF-1）患者开展可解释机器学习分析，构建了平衡随机森林模型，AUC-ROC达0.82。通过SHAP方法识别出具有临床意义的OCT异常阈值，并发现联合多个OCT异常特征可进一步提升特异性，旨在支持早期风险识别和个体化管理。

#AI医疗#OCT#NF-1 +2

该研究在Metabolic机构对1461名40岁以上成人开展回顾性横断面分析，使用Dr. Noon AI平台分析非散瞳眼底照片，生成视网膜心血管风险评分（Reti-CVD）。结果显示Reti-CVD升高与年龄、男性、糖尿病、高血压、HbA1c升高、血压升高、HDL降低、甘油三酯升高及AI预测血管年龄增大显著相关。Reti-CVD与美国心脏协会PREVENT方程的分类一致性有限（Cohen's kappa未给出具体值），但连续评分与PREVENT阈值存在可评估的对应关系。

#AI医疗#眼底成像#心血管风险

AI模型模拟眼科医生诊断逻辑识别青光眼

研究团队构建了首个临床标注的视盘图像推理数据集，含1077张眼底照和专家撰写的六步诊断报告；基于该数据集开发出视觉-语言框架，能生成结构化临床推理过程，再输出诊断。模型在杯盘比误差（MAE=0.070）、ISNT排序一致性（Kendall距离=1.73）和报告语义相似度（BERTScore-F1=0.874）上均达最优，并实现94.7%的平衡准确率和94.8%的精确率。

#AI医疗#青光眼#医学影像

LCNet：轻量级视网膜血管分割网络

研究者提出一种名为LCNet的轻量级U型深度学习网络，用于眼底图像中的视网膜血管分割。该模型采用深度可分离卷积、协同坐标注意力模块和空洞空间金字塔池化模块，并引入四个侧向输出层增强监督。在DRIVE、STARE、CHASEDB1和IOSTAR四个公开数据集上，全局准确率分别达96.02%、97.95%、97.95%和97.77%，参数量仅2.65M，计算量为21.2 GFLOPs。

#AI医疗#视网膜血管#医学影像分割 +1

跨厂商3D OCT多病种AI检测模型

研究开发了一种不依赖设备厂商的深度学习模型，可识别多种黄斑疾病。模型仅用海德堡Spectralis（厂商1）的3D OCT数据训练，但在测试中覆盖了厂商1、蔡司Cirrus（厂商2）的3D扫描及厂商1的2D扫描。共纳入6756例扫描用于训练，12236例用于外部验证。结果显示，对厂商1数据AUROC最高达0.999，厂商2为0.991；阴性预测值均超97.5%；临床重要漏诊率在紧急病例中为6.16%（厂商1）和6.70%（厂商2）。

#AI医疗#OCT#黄斑疾病

BanglaOCT2025：首个孟加拉人群源OCT数据集

研究团队从孟加拉国国家眼科研究所（NIOH）收集1585例OCT扫描数据，含202880张B超图像，其中857例由专家标注（54例干性AMD、61例湿性AMD、742例非AMD）。团队开发了基于约束优化的fovea中心定位算法和无需配对干净数据的Flip-Flop Swin Transformer自监督去噪模型，使下游AMD分类准确率从69.08%提升至99.88%。

#OCT#AI医疗#AMD +2

无代码AI模型可识别视乳头水肿

研究利用近红外反射OCT图像，测试三种自动机器学习平台（Amazon Rekognition、Medic Mind、Google Vertex）区分视乳头水肿、正常视盘和视盘玻璃膜疣的能力。数据来自英国莱斯特大学医院NHS信托，共289名患者813张图像。结果显示Amazon Rekognition表现最优：区分视乳头水肿与正常/玻璃膜疣的AUC为0.90，F1分数0.81；分级严重程度的AUC同样为0.90，F1分数0.79。

#AI医疗#视乳头水肿#OCT

AI通过眼底照相无创筛查糖尿病大血管并发症

研究开发了一种基于眼底彩照的可解释AI模型，用于早期识别糖尿病患者外周动脉和主动脉疾病（PAAD）。该模型融合模拟OCT结构特征、手工血管生物标志物及注意力增强的VGG16网络，采用多实例学习和多级特征融合策略。在独立测试集上达到94.6%准确率、90.5%敏感性、96.2%特异性及0.973 AUC-ROC，平均单图推理耗时150毫秒。

#AI医疗#糖尿病视网膜病变#无创筛查

鸟枪脉络膜视网膜炎宽视野眼底图像数据集发布

研究团队发布了名为Birdshot-Wide的公开眼底影像数据集，包含742只鸟枪脉络膜视网膜炎（BSCR）患眼的5042张宽视野眼底照和742只健康对照眼的1310张图像，所有BSCR图像均经人工质量审核并按主要病变亚型分类，中位随访达4.31年；基于该数据集训练的深度学习模型在区分BSCR与正常眼任务中AUC最高达0.96。

#罕见病#AI医疗#眼底影像

因果推理提升多病种眼底影像诊断准确率

研究团队提出一种融合因果干预的多标签医学影像诊断框架，针对多种眼病共存时模型易混淆统计相关性与真实因果关系的问题。该方法通过建模潜在混杂因素并实施后门调整，在ODIR（彩色眼底照相）、LID-FFA（眼底荧光血管造影）等四个数据集上验证效果，显著提升诊断准确性与可解释性。源代码已开源。

#AI医疗#因果推理#多病种诊断

眼科AI热图临床可信度评估框架

研究提出两阶段临床导向框架，筛选适用于OCT视网膜疾病分类的可解释AI热图。基于Swin Transformer模型，在交叉验证中达97%准确率，外部验证为91.82%。Phase 1由1名眼科医生和1名AI专家初筛100张热图/方法；Phase 2由21名专科医生用五点量表评估解剖合理性。Token contRAST（TRAST）热图评分最高，Grad-CAM++次之，CGFM最低。

#AI医疗#OCT#可解释AI

AI进入视网膜诊疗对专科培训的冲击

研究系统梳理了AI在视网膜图像判读中的临床部署如何重塑专科医生培训体系，涵盖教育机会、发展风险与课程响应三方面。检索截至2026年3月，识别出六大主题：部署场景、AI作为教学工具、可解释性与教学法、学员能力退化风险、大语言模型对考核效度的影响，以及机构应对措施。研究指出AI既带来个性化病例分配、合成数据生成等新可能，也引发‘去技能化’‘从未习得技能’和自动化偏见等真实风险。

#AI医疗#医学教育#视网膜专科