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

全自动冠状动脉纤维帽厚度评估新方法

研究团队开发了名为CapSeg的全自动计算流程，用于分析偏振敏感光学相干断层扫描（IV-PS-OCT）图像中的冠状动脉纤维帽。在200张横截面图像上验证显示，CapSeg测得的最小纤维帽厚度均值为131±80 µm，与两位专家人工测量结果（137±84 µm和144±83 µm）高度一致。该流程进一步应用于38例急性冠脉综合征患者的三维病变数据，证明其可实现快速、可重复的全容积评估。

#光学相干断层扫描#人工智能#冠状动脉
PubMed Ophthalmology
学术研究

人机协同提升术中OCT胶质瘤识别准确率

研究评估了‘人在环路’（HITL）模式在术中光学相干断层扫描（OCT）胶质瘤成像中的应用效果。团队回顾性分析27名患者的86例术中OCT扫描，对比结构图像、物理参数图和SVM分割图三种处理方式，并引入神经外科医生参与判断。结果显示，HITL结合分割图使诊断准确率达94%，敏感性达98%，阅片者一致性高达0.98，显著优于纯模型推理（如SVM和Gemini 3.1 Pro）。

#人工智能#术中成像#OCT
PubMed Ophthalmology
学术研究

MIRAGE模型整合基因与眼底图像预测高度近视风险

研究团队开发了名为MIRAGE的多模态深度学习框架，融合全外显子组基因型数据和眼底彩照，用于个体化预测高度近视风险。该模型在1991人队列中实现AUC达0.963，显著优于单一模态模型；通过可解释性分析识别出GJD2、FGF1等关键基因及视盘、黄斑等重要图像区域，并发现314对显著基因互作关系。

#高度近视#人工智能#基因风险
PubMed Ophthalmology
学术研究

PINNACLE研究：OCT结合AI刻画中期AMD形态特征

PINNACLE研究是迄今规模最大的前瞻性多中心观察性研究之一，聚焦中期年龄相关性黄斑变性（iAMD）进展。本报告基于专家判读与AI驱动的光学相干断层扫描（OCT）图像分析，系统描述了基线时drusen、SDD、HRF、双层征及外层视网膜结构（如EZ、ONL厚度）等特征的分布、定量数据与相互关系。结果显示drusen集中于中央3 mm区，SDD多见于上方旁中心区；drusen体积与HRF呈正相关，却与SDD呈负相关；EZ和ONL变薄提示光感受器受损，且在出现iRORA或EZLHT等萎缩标志时更明显。

#AMD#OCT#人工智能
PubMed Ophthalmology
学术研究

MultiRetNet：融合眼底与OCT图像的糖尿病视网膜病变分级与DME检测模型

研究提出一种名为MultiRetNet的轻量级可解释AI模型，能同时完成糖尿病视网膜病变（DR）严重程度分级和糖尿病性黄斑水肿（DME）检测。该模型融合同一就诊中采集的彩色眼底照和光学相干断层扫描（OCT）图像，采用双EfficientNet-B0主干网络分别提取特征后拼接，再通过共享全连接层实现多任务学习。研究在425对（共850张）配对图像组成的私有数据集上训练并验证。

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

可解释AI模型GlaucoXAI用于青光眼早期筛查

研究提出一种名为GlaucoXAI的可解释人工智能诊断模型，利用眼底彩照识别早期青光眼。模型分四步：图像预处理、曲线特征提取（采用FDCT-WRP）、PCA与LDA联合降维、改进灰狼优化算法（IMGWO）调优极限学习机（ELM）进行分类。在G1020和ORIGA两个公开数据集上，准确率分别达93.87%和95.38%，高于现有方法，并通过10×5折分层交叉验证增强结果可信度。

#人工智能#青光眼#医学影像
PubMed Ophthalmology
学术研究

AI通过眼底照相识别慢性肾病微血管变化

这项单中心病例对照研究利用AI分析322名受试者的眼底照片，包括110名健康对照、142名CKD 1-2期患者和70名CKD 3-5期患者。研究发现，动脉静脉比（AVR）降低等视网膜微血管参数与CKD显著相关，且在早期阶段即已出现改变。经年龄、性别和BMI校正后，AVR每下降1单位，CKD风险增加约38.3%（OR=0.617）。模型显示出中等区分能力。

#人工智能#眼底摄影#慢性肾病
PubMed Ophthalmology
学术研究

联邦学习框架提升糖尿病视网膜病变筛查隐私性与可解释性

研究提出一种隐私保护型联邦混合专家（FL-MoE）深度学习框架，用于跨机构糖尿病视网膜病变（DR）分级。该框架结合可解释AI技术，在EyePACS和APTOS-2019数据集上测试了CNN、CNN-LSTM及ViT等多种主干网络。结果显示，CNN-LSTM在准确率（76.2%）、AUC（89.5%）和通信成本（比ViT低一个数量级）方面表现最优，且对数据异质性鲁棒性强，Grad-CAM可视化能粗略定位DR相关视网膜区域。

#人工智能#糖尿病视网膜病变#联邦学习
PubMed Ophthalmology
学术研究

AI通过眼底图像识别心血管疾病风险

研究团队开发了名为AVSeg-XAI的可解释深度学习框架，用于自动区分眼底图像中的动脉与静脉，并提取34个血管几何与拓扑特征。该模型结合15项无创临床指标（如年龄、BMI、血压），在卡塔尔生物银行队列中实现了0.81的CVD风险预测AUC，女性和45–55岁人群表现更优（AUC达0.83和0.90）。研究验证了视网膜微血管作为非侵入性心血管健康标志物的可行性。

#人工智能#眼底成像#心血管风险
PubMed Ophthalmology
学术研究

AI系统实现近视性视网膜病变中WWOP定量评估

研究开发了一套基于人工智能的自动分析系统，用于从超广角眼底彩照中识别并量化‘无压苍白区’（WWOP）病变。该系统可计算总面积、总数、分区分布（R1-R3）及全局面积比。在119例近视眼样本中（64例检出WWOP），发现超96%的病变面积位于后极部以外，且各项定量参数与眼轴长度呈显著正相关（如总面积R=0.41，P<0.001）。系统目前定位为需进一步验证的研究工具。

#人工智能#近视性视网膜病变#WWOP
PubMed Ophthalmology
学术研究

用眼底照片估算视网膜厚度的AI模型研究

研究开发了一种基于基础模型RETFound的深度学习框架，直接从彩色眼底照片（CFP）预测光学相干断层扫描（OCT）测得的全层视网膜厚度（TRT）图。训练数据来自AI-READI（含Topcon Maestro2和Triton两种设备配对的CFP与OCT）、OCTA-500和EyePACS。发现Maestro2测得的TRT平均比Triton厚超30微米；采用‘个体化’或‘组合式’解码策略的模型对设备特异性参考值偏差约5%，而‘随机选择’策略则趋于两设备平均值。

#人工智能#视网膜厚度#OCT +2
PubMed Ophthalmology