学术研究 2026年11月16日 高度近视AI预测:班级图结构模型在基线屈光度缺失时仍有区分力 研究者提出SSR-Stacking框架,把学校班级关系构建成图,结合图神经网络与多种分类器,预测末次随访时的高度近视状态。数据来自中国宾川的纵向数据集(N=4973),在模拟50%基线等效球镜度缺失的条件下,ROC-AUC为0.9184(95%CI 0.9062-0.9306),召回率0.8119,特异度0.9851,F1为0.7506,高度近视自然患病率为4.06%。作者称需进一步验证。 #高度近视#机器学习#近视筛查 PubMed Ophthalmology
学术研究 2026年11月16日 糖尿病视网膜病变AI检测:公开数据集上的算法研究,敏感度95.08% 研究者用IDRiD和Kaggle的公开眼底图像数据集,开发糖尿病视网膜病变自动检测系统,用小波滤波增强边缘,用高斯混合模型聚类提取纹理特征,再用随机森林和多层感知机分类,识别渗出、出血和微动脉瘤。随机森林分类的敏感度为95.08%,特异度为86.67%,总体准确率为95.20%。作者认为该方法可辅助眼科医生,并可用于大规模筛查。 #糖尿病视网膜病变#人工智能#眼底图像 +1 PubMed Ophthalmology
学术研究 2026年11月16日 早期圆锥角膜怎么查?Corvis ST影像纹理分析研究 研究提出名为CVS-omics的影像组学方法,从Corvis ST角膜动态影像的三个形变阶段提取纹理特征,用机器学习识别亚临床期(顿挫型)圆锥角膜。共纳入410只眼,其中正常眼265只、顿挫型圆锥角膜145只,328只眼用于训练、82只眼用于测试。随机森林模型的AUC为0.989,优于传统生物力学参数的最佳AUC 0.764。作者认为该方法有望成为无创检测工具。 #圆锥角膜#Corvis ST#影像组学 +1 PubMed Ophthalmology
学术研究 2026年11月16日 ICL植入术后拱高:术中OCT数据的机器学习预测模型 研究在陕西眼科医院等机构开展,是一项前瞻性病例系列,纳入106名患者的158只眼。研究者在ICL植入后用术中OCT测量拱高,并在术后1天、1周和1个月用前节OCT随访,据此训练机器学习模型预测术后拱高。随机森林表现最好,平均绝对误差为106.48±19.23微米。预测误差在±100微米内的比例为85.9%,±250微米内为98.9%。 #ICL#拱高#术中OCT +1 PubMed Ophthalmology
学术研究 2026年11月16日 近视飞秒激光术后早期视觉质量:多模态模型预测研究 一项前瞻性、非干预、单中心研究纳入105名近视患者的210只眼,接受角膜屈光透镜取出术(KLEx)。研究者用深度学习分割透镜后表面扫描图像提取影像组学特征,连同临床、手术、角膜形态和生物力学数据,建立模型预测术后第1天和第1周的客观散射指数(OSI)。30.95%(65/210)的眼早期视觉恢复较差。ExtraTrees模型预测第1天的AUC为0.96,AdaBoost预测第1周为0.99。 #KLEx#近视手术#视觉质量 +1 PubMed Ophthalmology
学术研究 2026年11月16日 遗传性视网膜病:四种工具预测框内插入缺失变异的比较 框内插入缺失变异的致病性预测标准不如其他类型变异成熟。研究在遗传性视网膜病患者队列中比较了CADD、FATHMM-indel、VEST4和MetaRNN-indel四种机器学习工具,其中MetaRNN-indel总体表现最好。随后将其用于1013名未明确病因的患者,在两名无亲缘关系的患者中结合临床表型确认了两个可能致病的变异。 #遗传性视网膜病#基因变异#机器学习 +1 PubMed Ophthalmology
学术研究 2026年11月16日 SMILE术后小有效光学区:多模态机器学习术前预测研究 这项多中心队列研究纳入634名患者的1030只眼接受SMILE手术,以术后三个月有效光学区直径小于5.5毫米为预测目标。整合角膜前表面曲率图与术前参数的模型在主验证集AUROC为0.897,优于仅用参数或仅用图像的模型;内部测试集0.957,外部测试集0.863。术中视频帧模型表现较差。 #SMILE#有效光学区#机器学习 +1 PubMed Ophthalmology
学术研究 2026年11月16日 巩膜成纤维细胞基质硬度相关基因:生物信息学与机器学习分析 研究把人巩膜成纤维细胞培养在软、硬两种聚丙烯酰胺水凝胶上,分别模拟近视和正常的细胞外基质,做RNA测序并结合生物信息学和机器学习分析。共得到1368个上调和1481个下调的差异表达基因,筛选出LDLR、DNM1、DUSP15、NES和PPL五个关键基因,其中DNM1作为近视诊断标志物表现最好。作者表示这些基因与近视和巩膜重塑的关系值得进一步研究。 #近视#巩膜#基因表达 +1 PubMed Ophthalmology
学术研究 2026年11月16日 多光谱图像相量分析结合机器学习评估视网膜健康 该研究探讨了多光谱图像相量(phasor)分析结合机器学习区分健康与病变视网膜的效果。结果显示,对多光谱图像做相量分析,分类性能优于使用平均反射值,是一种有效的降维方法,其中第一谐波配合Z-score标准化效果最佳。为与常规彩色眼底相机比较,研究者从多光谱图像中提取红、绿、蓝三个波段合成类RGB图像做同样分析,发现完整多光谱图像的分类更准确。按区域比较,使用整个视网膜分类效果最好,作者认为可能与纳入病例多为晚期、病变已波及整个眼底有关。 #多光谱成像#视网膜疾病#机器学习 PubMed Ophthalmology
学术研究 2026年11月16日 OCT与机器学习在儿童神经纤维瘤病1型视力异常检测中的应用 神经纤维瘤病1型(NF-1)是一种遗传性疾病,常导致儿童视力丧失。光学相干断层扫描(OCT)提供非侵入性、高分辨率的视网膜和视神经结构成像,但将其数据转化为临床预测工具仍具挑战。本研究通过回顾性纵向队列分析了168名3至19岁NF-1患儿的515次OCT测量结果,评估了多种机器学习模型识别当前视力异常的能力。结果显示,平衡随机森林模型表现最佳(AUC=0.82;敏感性=0.66)。视网膜神经纤维层(RNFL)和神经节细胞层(GCL+)变薄是视力异常最强的预测因子。基于总黄斑和神经层厚度的数据驱动截断值提供了明确的临床解释阈值,而累积“k-out-of-n”分析表明,结合多个OCT异常可增强风险分层。这些发现突显了可解释机器学习将OCT数据转化为可解释且具有临床操作性的工具的潜力,用于早期检测和管理NF-1患儿的视力异常。 #OCT#机器学习#NF-1 +1 PubMed Ophthalmology
学术研究 2026年11月16日 可解释机器学习预测青光眼患者用药后眼压 青光眼是一种慢性视觉神经退行性疾病,治疗以降低眼压为主,但部分患者用药后眼压仍偏高,存在视力持续受损的风险。研究者利用英国生物银行(UK Biobank)中161名正在接受药物治疗的青光眼参与者共290只眼的数据,分别以人口学信息、生理代谢与用药数据以及全部数据构建三组特征,比较5种机器学习方法预测随访时眼压水平的能力。在综合特征集上,XGBoost模型表现最好,AUC为0.708。SHAP分析显示,胰岛素样生长因子1(IGF-1)、低密度脂蛋白(LDL)和淋巴细胞计数是最重要的三个特征,其中LDL与IGF-1之间的交互作用最强。 #青光眼#机器学习#个性化医疗 PubMed Ophthalmology
学术研究 2026年11月16日 糖尿病视网膜病变诊断:转录组数据与DNA甲基化数据的比较 糖尿病视网膜病变是糖尿病的一种严重并发症,可能导致视力受损甚至失明。尽管可以通过扩瞳眼底检查进行诊断,但当前技术的进步使得利用多种数字数据源如医学影像和组学数据进行更准确的诊断成为可能。本研究使用了三种不同的组学数据(DNA甲基化、总RNA和小RNA),结合不同的机器学习算法,发现使用总RNA数据和朴素贝叶斯算法的模型在诊断准确性上表现最佳,达到0.9625±0.05。 #糖尿病视网膜病变#组学数据#机器学习 PubMed Ophthalmology