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

大语言模型尚不能替代眼科论文审稿人

一项回顾性研究比较了ChatGPT-4o、Gemini与324名眼科医生对300篇投稿至3种眼科期刊的稿件的审稿表现。结果显示，人类审稿人拒稿率高达73.33%，而两款LLM均仅为2.00%；人类更常提出重大修改意见（22.67%），而ChatGPT和Gemini分别为68.00%和31.33%；LLM评论缺乏具体性，高频重复‘新颖性’‘样本量’‘清晰度’等泛化表述，且未标注行号或引用文献。

#人工智能#同行评议#眼科科研
PubMed Ophthalmology
学术研究

早期青光眼视野进展预测模型比较研究

研究通过模拟早期青光眼患者的视野数据，对比四种预测方法：个体化一阶自回归模型（AR(1)）、普通线性回归（OLR）、群体级长短期记忆网络（LSTM）和朴素基线预测。结果显示，在检查次数较少时（如前6–11次），LSTM误差最低；但随着检查次数增加，尤其在中、快速进展患者中，AR(1)的预测精度反超LSTM。评估指标为RMSE和点均绝对误差（PMAE）。

#青光眼#人工智能#视野预测
PubMed Ophthalmology
学术研究

本地医疗大模型精准识别青光眼风险因素

研究团队使用MedGemma-27B-text-it本地医疗大模型，分析2014至2024年间1250例青光眼相关临床记录，评估其识别用药依从性差、随访失约及家族史的能力。结果显示，模型在识别用药非依从性（准确率0.91）、随访非依从性（准确率0.96）和家族史（准确率0.98，Jaccard指数0.99）方面远超结构化电子病历字段（家族史准确率仅0.49）。研究证实本地化大模型可高效挖掘自由文本中的隐性风险信息。

#人工智能#青光眼#电子病历
PubMed Ophthalmology
学术研究

血管引导多任务深度学习模型同步分割血管并分类眼底病

研究团队开发了V-MNet模型，首次将视网膜血管分割与多种眼底病分类整合于同一深度学习框架，并引入血管结构先验信息指导疾病分类。该模型在四个公开数据集上测试，血管分割Dice系数达0.831，多病种分类平均AUC为0.978、F1分数为0.935，显著优于单任务模型。Grad-CAM模块提供可视化病灶定位图，增强临床可解释性。

#人工智能#眼底筛查#可解释AI
PubMed Ophthalmology
学术研究

福建眼病研究构建糖尿病视网膜病变预测模型

福建眼病研究基于8211名参与者数据，训练并比较五种机器学习模型预测糖尿病视网膜病变（DR）风险。支持向量分类器（SVC）表现最优，F1-score达92.83%，AUC为0.99。SHAP分析确认五大关键预测因子：糖尿病病史、年龄、脉压差、左眼近视力和身高。研究验证了该框架在人群筛查中的稳健性与可复现性。

#人工智能#糖尿病视网膜病变#真实世界数据
PubMed Ophthalmology
学术研究

SSR-Stacking：基于班级关系图的儿童高度近视预测模型

研究团队提出SSR-Stacking框架，用于在基线球镜度数（SE）缺失情况下预测儿童随访终点的高度近视状态。该模型融合图神经网络与集成学习，构建以学校班级为单位的社会-环境图，并通过自监督重建机制从同班同学数据中补全缺失SE值，再经元堆叠层整合XGBoost、SVM和随机森林等分类器。评估基于一项纵向队列数据，未提供具体样本量或准确率数字。

#人工智能#儿童近视#真实世界数据
PubMed Ophthalmology
学术研究

ChatGPT-4o在眼科患者手册生成中的应用：与AAO材料的比较

本研究旨在对比ChatGPT-4o生成的眼科患者手册与美国眼科学会（AAO）提供的教育材料在英语和西班牙语版本中的可读性和质量。研究选取了10种常见眼部疾病的AAO手册，并要求ChatGPT-4o生成相应内容，确保其阅读难度为8年级水平。结果显示，ChatGPT-4o生成的手册在英语可读性方面与AAO材料相当，但在西班牙语版本中表现更优。具体而言，ChatGPT-4o生成的手册在西班牙语的Szigriszt-Pazos Perspicuity Index (SPPI)评分显著高于AAO材料。此外，ChatGPT-4o生成的手册在内容质量评估中也表现出色，尤其是在西班牙语版本中。总体而言，ChatGPT-4o生成的手册在可读性和内容质量上均达到或超过了AAO材料的标准。

#人工智能#眼科教育#患者手册
PubMed Ophthalmology
学术研究

视网膜生物标志物在心血管疾病预测中的应用

心血管疾病（CVDs）是全球死亡的主要原因，先天性心脏病（CHD）、获得性心脏病（AHD）、瓣膜病和心肌病显著增加了发病率。视网膜眼底成像作为一种非侵入性技术，能够捕捉微血管变化，作为系统性心血管功能障碍的生物标志物。本研究系统回顾了2015年至2025年间发表的相关文献，评估了不同疾病焦点、成像模式、分析方法及诊断性能。结果表明，深度学习和机器学习模型应用于视网膜眼底图像，在检测和分类CVDs方面表现出较高的准确性。卷积神经网络在CHD检测中达到了91%的AUC值，而混合多模态方法提高了AHD和瓣膜病的预测敏感性。心肌病与血管扭曲和微出血相关，可通过自动化图像分析量化。新兴方法如基于Transformer的模型和Segment Anything Model (SAM) 的医疗影像适应，有望提高通用性和可解释性。尽管存在数据集不平衡、纵向验证有限和AI模型黑箱问题，视网膜成像仍具有作为可扩展、非侵入性工具的巨大潜力。

#视网膜成像#心血管疾病#人工智能
PubMed Ophthalmology
学术研究

视神经头生物力学在青光眼视野缺损分类中的应用

该研究旨在评估视神经头（ONH）的生物力学特性，通过组织应变量化是否能提高对青光眼患者进行视野（VF）损失模式分类的能力。研究纳入了249名青光眼患者，通过自动分割和数字体积相关计算神经组织和LC应变，并将这些特征输入PointNet模型进行分类任务。结果显示，加入应变信息后，模型在分类特定视野缺损时性能显著提升，AUC从0.83±0.02提高到0.87±0.02。此外，研究发现应变敏感区域主要集中在下部和颞下缘，且随着视野损失严重程度增加而扩展。这表明ONH应变在预测青光眼视野损失方面具有重要作用。

#青光眼#视神经头#生物力学 +1
PubMed Ophthalmology
学术研究

基于深度学习的视网膜脱离与玻璃体积血超声图像检测

视网膜脱离（RD）是一种严重的眼科疾病，可能导致永久性视力丧失。在伴有遮挡眼底的玻璃体积血（VH）的情况下，即使使用眼部超声检查也难以诊断RD。本研究开发了一种基于YOLOv5架构的卷积神经网络（CNN），用于B型超声图像中RD和VH的检测。模型训练使用了2,188张图像，并通过1,042张图像进行验证。通过应用包括非锐化掩模在内的图像增强技术，提高了检测准确性。最终模型在五折交叉验证下，对RD、VH及RD合并VH的检测准确率分别达到96.6%、99.2%和98.0%。该深度学习算法在眼部超声图像中检测RD和VH方面表现出高准确性，特别是在伴有遮挡眼底的VH情况下，可作为辅助工具提高诊断效果。

#人工智能#视网膜脱离#玻璃体积血 +1
PubMed Ophthalmology
学术研究

OCT与OCTA在AMD研究中的进展：深度分析

该研究通过文献计量分析，探讨了2015年至2024年间光学相干断层扫描（OCT）和光学相干断层扫描血管成像（OCTA）在年龄相关性黄斑变性（AMD）领域的研究热点、新兴趋势和技术创新。研究发现，美国和中国是该领域的主要贡献者，其中美国在出版物数量和H指数上领先。加州大学系统在机构中表现最为突出。研究还表明，OCT和OCTA技术的结合，特别是与人工智能的整合，能够实现更早的病变检测、更精细的表型分类以及数据驱动的个性化管理。这些进步将显著提高AMD的诊断准确性和治疗决策。

#OCT#OCTA#AMD +2
PubMed Ophthalmology
学术研究

多模态图注意力网络加速葡萄膜炎药物筛选

葡萄膜炎是一种复杂的免疫介导性眼内炎症疾病，其药物发现面临巨大挑战。为解决现有模型在整合异质分子特征和疾病特异性机制方面的不足，研究团队提出了一种基于GATv2的新型多模态图注意力网络MLGT。该模型通过动态注意力机制捕捉非局部原子相互作用，并结合双流融合模块将图嵌入与分子描述符相结合。为了缓解数据不平衡和过拟合问题，研究采用了标签平滑、类别平衡采样和SMILES随机化等方法。在ChEMBL数据库中严格筛选的葡萄膜炎相关化合物数据集上，MLGT表现出色，准确率达到97.7%，F1分数为97.2%，召回率为96.1%，AUC-ROC为0.9156，显著优于现有的图学习和经典机器学习基准。消融研究表明，多模态融合和注意力机制在模型性能中起着关键作用。这项研究提供了一种高效的计算工具，用于靶向葡萄膜炎药物筛选，并为复杂疾病的精准药物发现建立了可扩展的AI驱动范式。

#人工智能#药物筛选#葡萄膜炎
PubMed Ophthalmology