跳转到主要内容

#人工智能

165 篇

与"人工智能"相关的眼科资讯

学术研究

多模态AI在视网膜疾病中的临床转化路径

本文为特刊导言，指出当前AI在视网膜图像分类和筛查中进展显著，但临床价值取决于能否支撑患者全程决策。多模态AI可整合眼底照相、OCT、OCTA、超广角成像等影像数据与临床特征、治疗史及纵向变化，以提升风险分层、病情监测和个体化随访能力。研究强调需超越单一技术指标，验证其相较单模态模型和临床基线的增量价值，并在真实世界中评估对视力功能、转诊合理性、治疗时机等终点的影响。

#人工智能#视网膜疾病#多模态影像
PubMed Ophthalmology
学术研究

眼科医生用自然语言编程： vibe coding技术综述

本文综述了大语言模型驱动的‘vibe coding’技术在眼科领域的应用潜力。该技术允许非程序员仅通过自然语言描述需求，即可生成含用户认证、数据库集成等功能的完整应用程序。研究指出，它最适合解决眼科亚专科中过于小众、难以吸引商业开发的特定问题，为临床流程优化、科研与教学工具开发提供快速原型路径。

#人工智能#临床信息化#医生创新
PubMed Ophthalmology
学术研究

视网膜图像可预测生理年龄并揭示性别特异性衰老特征

研究利用英国生物银行71343名参与者的彩色眼底照片，微调RETFound基础模型预测实际年龄，平均绝对误差为2.85年。由此计算出的‘视网膜年龄差’（预测年龄减实际年龄）与心血管代谢指标、炎症水平、认知功能、全因死亡、痴呆、癌症及新发心血管疾病显著相关。全基因组分析发现多个与长寿、代谢、神经退行及年龄相关眼病相关的基因。分性别建模显示，男性更关联代谢综合征，女性则更突出视网膜血管变化，且绝经后女性的视网膜年龄差增大，临床关联模式趋近男性。

#人工智能#视网膜成像#衰老生物学
PubMed Ophthalmology
学术研究

人工智能在基层医疗分诊中的应用现状综述

研究系统梳理了2013至2026年间全球17项用于基层医疗分诊的人工智能系统，覆盖12个国家，其中14项来自高收入国家。多数系统（14/17）面向医生提供决策支持，无一实现完全自主运行；功能以诊断或筛查分诊为主（7项），其次为优先级排序和转诊路径推荐。AI辅助下，眼底图像识别准确率从82.8%提升至91.1%，皮肤镜管理敏感度从72.9%升至94.2%。但模型性能差异大，准确率跨度达41.2%–98.28%，且仅4项完成外部验证，无一项开展前瞻性随机对照试验或评估患者结局。

#人工智能#基层医疗#分诊
PubMed Ophthalmology
学术研究

联合OCT与拉曼光谱的内镜平台用于头颈癌动态监测

研究团队开发了一种微型前视光纤探针，集成光学相干断层成像（OCT）和拉曼光谱（RS），可同步实现视频速率OCT成像与1秒RS采集。该系统在4NQO诱导的小鼠头颈癌模型中，纵向追踪了上皮从增生、异型增生、原位癌到浸润癌的全过程。研究还构建了可解释AI融合框架，联合分析结构与分子时序特征以分类组织状态。

#光学成像#人工智能#癌症早期检测
PubMed Ophthalmology
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