跳转到主要内容

#人工智能

76 篇

与"人工智能"相关的眼科资讯

学术研究

基于解剖分区的OCTA图像质量自动评估框架

研究团队提出一种新型OCTA图像质量评估方法，结合多区域分割（大血管、毛细血管网、FAZ）与统计校准的半监督学习。该框架使用Segment Anything模型进行解剖分区，提取边缘锐度、信噪比等可解释指标，引入0.9调制因子提升标注有限下的稳定性。在OCTA-500和独立临床数据集上，区域分割平均Dice系数达81.21%，分级准确率90.0%，Cohen kappa为0.864。

#OCTA#人工智能#医学影像质控
PubMed Ophthalmology
学术研究

AI辅助三级青光眼筛查模型的构建与验证

这是一项在中国社区开展的集群随机对照试验，旨在建立并验证一种适用于中国人群的AI辅助三级青光眼筛查模型。研究将招募28,275名40-80岁社区居民，分为无筛查组、常规筛查组和三级筛查组，随访至少6年。三级筛查包括高危问卷初筛、眼科检查（结合医生与AI图像判读）和三甲医院确诊。主要终点是青光眼检出率，并评估AI判读准确性及不同策略的成本效果。

#青光眼#人工智能#社区筛查
PubMed Ophthalmology
学术研究

AI模型用45°眼底照准确识别糖尿病视网膜病变

研究基于印度南部2610名40岁以上参与者的数据，训练深度学习模型分析45°和200°超广角眼底图像。结果显示，该模型在45°图像上DR分级准确率达97.24%，将漏判率从16.5%降至6.2%；Grad-CAM显示模型聚焦中央区域，血管分析发现眼底周边病变与中央血管密度、迂曲度变化相关，提示AI可捕捉亚临床血管改变。

#人工智能#糖尿病视网膜病变#眼底筛查
PubMed Ophthalmology
学术研究

视网膜血管特征可提升妊娠期高血压患者两周内分娩预测

研究纳入54名住院的妊娠期高血压疾病（HDP）患者，同步采集sFlt-1/PlGF比值与眼底照片，用AI工具AutoMorph自动量化动脉和静脉的密度、分形维数、迂曲度。结果显示：sFlt-1/PlGF≥38者视网膜血管密度和分形维数显著降低；整合视网膜参数、生化指标与临床数据的模型预测2周内分娩的AUC达0.85，明显优于仅用sFlt-1/PlGF比值（AUC=0.64）或加临床数据（AUC=0.72）的模型。

#妊娠期高血压#视网膜影像#人工智能
PubMed Ophthalmology
学术研究

周边视网膜出血密度可预测糖尿病视网膜病变进展

新加坡国立眼科中心开展了一项为期2年的前瞻性队列研究，纳入282名糖尿病患者（528只眼），均无或仅有非增殖性糖尿病视网膜病变。每年进行超广角眼底照相和全身评估，由中央阅片中心判读，结合AI算法量化病灶。结果显示，2年内DR进展率为9.85%，周边视网膜出血密度升高（OR=3.09）和 predominantly peripheral lesions（PPLs）存在（OR=4.00）均为独立预测因子。

#糖尿病视网膜病变#超广角成像#人工智能
PubMed Ophthalmology
学术研究

AI通过OCT-A图像识别渗漏特征精准分期糖尿病视网膜病变

研究团队开发了一种结合影像组学与机器学习的新方法，利用OCT-A图像中渗漏区域的23个优化特征（如血管扭曲度、Haralick纹理、分形维数等），以FFA为金标准，对糖尿病视网膜病变（DR）进行无创分期。在99名患者、179张图像的数据集上，XGBoost模型仅用图像特征即达到96.6%准确率和98.9% AUC，显著区分中度非增殖期与早期增殖期DR。

#糖尿病视网膜病变#OCT-A#人工智能
PubMed Ophthalmology
学术研究

通用AI模型在眼底照相诊断中与专家一致性低

该研究是一项小样本试点研究，比较谷歌Gemini 2.5 Flash通用多模态AI模型与视网膜专科医生对66张彩色眼底照片（CFP）的独立判读结果，并以未设盲的主治专科医生诊断为参考标准。结果显示，两位人类专家间一致性达AC2=0.67（属实质性一致），而AI模型与参考专家的一致性仅为AC2=-0.58，AI与设盲专家之间的一致性也仅AC2=-0.38，表明该AI在纯图像判读中可靠性很低。

#人工智能#眼底摄影#诊断一致性
PubMed Ophthalmology
学术研究

中性集相似度增强的OCT图像视网膜病分类模型

研究者提出一种结合中性集相似度（NSS）与EfficientNetB3的深度学习框架，用于光学相干断层扫描（OCT）图像的视网膜疾病自动分类。该方法先将OCT图像转换至中性集域，用NSS联合CLAHE增强结构信息、抑制噪声与模糊性，再输入EfficientNetB3训练。实验显示，该模型整体准确率达95.25%，精确率、召回率和F1分数均超95%，优于仅用原始OCT图像训练的传统深度学习模型。

#OCT#人工智能#视网膜疾病
PubMed Ophthalmology
学术研究

用OCT图像和深度学习预测青光眼视野缺损

研究团队基于1640名青光眼患者的OCT视网膜神经纤维层（RNFL）厚度图，使用R2 U-Net、Dense U-Net和Nested U-Net三种深度学习模型预测其视野（VF）检查结果。这是一项回顾性横断面研究，仅分析每位患者左眼数据。结果显示，R2 U-Net在均方误差（MSE）、平均绝对误差（MAE）、结构相似性（SSIM）和峰值信噪比（PSNR）等五项指标上均表现最优，首次证实生成式AI可从结构影像高精度推演功能缺损。

#青光眼#OCT#人工智能
PubMed Ophthalmology
学术研究

眼震与眩晕诊断的AI与便携技术进展综述

该综述整合了1952至2026年间约50篇文献，聚焦AI分析、临床医学、便携硬件和远程医疗四大方向。研究显示，经典机器学习模型对眼震识别准确率达98.77%，深度学习模型可在普通智能手机RGB视频中实现与金标准视频眼动图相当的慢相速度测量。ARKit应用、3D打印护目镜等便携设备正提升基层可及性，但数据稀缺、环境敏感性和AI不可解释性仍是临床落地的主要障碍。

#眼震#眩晕#人工智能 +2
PubMed Ophthalmology
学术研究

合成数据+可解释AI提升糖网分级准确率

研究提出一种结合合成视网膜眼底图像与可解释机器学习的新框架，用于糖尿病视网膜病变（DR）严重程度分级。通过HSV色彩转换、GLCM纹理分析和病灶量化提取临床相关特征，用1200例合成图像训练随机森林分类器，并集成SHAP解释模块。该框架在合成数据上达到94%准确率，优于ResNet-50等主流深度学习模型，且SHAP分析显示其决策聚焦于临床上公认的渗出物等关键特征。

#人工智能#糖尿病视网膜病变#医学影像
PubMed Ophthalmology
学术研究

基于轻量卷积神经网络的致盲眼病筛查系统

研究团队利用89158张眼底照片，构建了一个轻量级人工智能眼病筛查模型，旨在提升基层医疗机构对致盲性眼病的筛查效率。该模型在内部验证中准确率达96.11%，外部验证平均准确率90.92%；与医生对比显示，其诊断能力相当于中级眼科医生（准确率88%），显著高于初级医生（74%）。

#人工智能#眼底筛查#基层医疗
PubMed Ophthalmology