学术研究 2026年11月16日 OCT视网膜病变分类:模型准确率95.25% 研究把中智相似度分数(NSS)与CLAHE对比度增强结合,用来处理OCT图像,再用EfficientNetB3模型训练,采用先冻结基础层、后微调深层的两阶段策略。在一个视网膜OCT数据集上,NSS整合的模型总体准确率为95.25%,精确率、召回率和F1值分别为95.33%、95.25%和95.26%。作者称其优于用原始OCT图像训练的常规模型。 #OCT#深度学习#视网膜病变 +1 PubMed Ophthalmology
学术研究 2026年11月16日 用OCT神经纤维层厚度图预测青光眼视野:三种U-Net比较 这项回顾性横断面研究纳入某三级转诊中心确诊的1640名青光眼患者,每人只分析左眼,包含早、中、晚期青光眼。研究比较R2 U-Net、Dense U-Net和Nested U-Net(UNet++)三种深度学习模型,用OCT的视网膜神经纤维层厚度图预测视野结果。R2 U-Net的MSE和MAE最低,SSIM和PSNR最高;Dense U-Net的预测准确性最低。 #青光眼#OCT#视野 +1 PubMed Ophthalmology
学术研究 2026年11月16日 V-MNet:同时分割血管并分类多种眼底病的模型 研究团队提出V-MNet,一种血管引导的多任务深度学习框架,可同时完成视网膜血管分割和多种眼病分类,并用Grad-CAM热力图标出模型关注区域。研究在RFMiD、ODIR-5K、DRIVE和EyePACS-light-v2四个公开数据集上测试:血管分割的Dice系数为0.831、AUC为0.985,多病分类的平均AUC为0.978、F1值为0.935。作者称其优于单任务基线和现有先进方法。 #人工智能#眼底照片#视网膜血管 +1 PubMed Ophthalmology
学术研究 2026年11月16日 轻量级AI筛查致盲眼病:基于8.9万张眼底照的诊断准确性研究 研究基于89158张眼底照片构建轻量级深度学习筛查模型。内部验证平均准确率96.11%,ROC曲线下面积99.77%,特异度98.66%;两个外部数据集平均准确率90.92%,平均特异度97.03%,平均精确率89.98%。初级医生识别含病灶假阳性图像的准确率为74%,中级医生88%。作者称模型表现与中级眼科医生相当。 #致盲眼病#眼底照片#深度学习 +1 PubMed Ophthalmology
学术研究 2026年11月16日 AI平台用AS-OCT评估感染性角膜炎:病灶分割与三维重建 研究提出基于AS-OCT的网页版深度学习平台,自动完成感染性角膜炎的病灶分割、量化和三维可视化。模型用3130张图像训练,角膜组织Dice分数0.922,浸润病灶0.834;浸润厚度、宽度分类准确率0.802、0.905;AI与标准答案的ICC为0.961、0.960,数值上高于专家间的0.786至0.955。 #感染性角膜炎#AS-OCT#深度学习 PubMed Ophthalmology
学术研究 2026年11月16日 SC-MSDNet:视网膜OCT分类模型的跨数据集测试 针对OCT分类模型换数据集后泛化差的问题,研究提出SC-MSDNet,把深度方向的特征一致性作为训练约束,并要求原始、对比度增强和频域变换三种输入的预测保持一致。模型仅在OCT2017数据集(4类,84,484张图像)上训练,不微调直接测试:准确率:OCT2017为99.5%,Kaggle C8的4类子集98.71%,OCTDL 96.37%。 #OCT#深度学习#视网膜疾病分类 PubMed Ophthalmology
学术研究 2026年11月16日 青光眼STAGE挑战赛:用OCT图像预测视野指标 HDMI实验室与中山大学中山眼科中心合作组织了STAGE挑战赛,探索直接从OCT结构图像预测青光眼视野指标,包括平均偏差、敏感度图和模式偏差概率图。挑战赛公开了401个OCT体积数据(每个含256张断层图像)及对应视野标签和人口学数据,并提供统一评估框架。文章总结了七支入围队伍的方法:均采用整合OCT与表格数据的双分支架构,使用针对任务的OCT模型的队伍表现最好。 #青光眼#OCT#深度学习 +1 PubMed Ophthalmology
学术研究 2026年11月16日 冠心病患者左右眼底定量参数对称吗?双眼研究 研究分析431名患者的862张彩色眼底照片,用深度学习模型自动测量分形维数、血管密度和血管直径等视网膜血管参数,比较冠状动脉粥样硬化性疾病(CAD)患者左右眼的对称性。除总体人群中轻微的曲率差异外,各亚组左右眼无统计学显著差异(P均大于0.05)。Pearson系数为0.387至0.833,ICC为0.384至0.824。作者认为单眼成像或可代表视网膜血管状态。 #冠状动脉粥样硬化#眼底照片#深度学习 PubMed Ophthalmology
学术研究 2026年11月16日 一张眼底照片同时筛查九种眼底情况的深度学习系统 研究者用来自17个来源的236,242张彩色眼底照片开发了多标签深度学习模型,同时识别糖尿病视网膜病变、年龄相关性黄斑变性、近视性黄斑变性等九类情况。内部验证(47,229张)AUROC为0.943至0.989;在4055张东亚体检中心的外部验证中,AUROC为0.894至0.983。作者称其可用于一张照片同时筛查九种情况。 #深度学习#眼底照片#眼病筛查 +1 PubMed Ophthalmology
学术研究 2026年11月16日 眼底照片加深度学习区分结直肠癌:英国生物银行病例对照研究 研究用英国生物银行的1600张眼底照片(结直肠癌800张、非结直肠癌800张),回顾性训练EfficientNet-B3模型做二分类,数据按70/15/15分为训练、验证和测试集。测试集AUROC为0.945,敏感度90.00%,特异度84.17%。按0.5%患病率校正后,阳性预测值降至2.8%,阴性预测值为99.94%。作者认为该方法可能只适合作为分流或排除工具。 #眼底照片#深度学习#结直肠癌 +1 PubMed Ophthalmology
学术研究 2026年11月16日 LCNet:轻量级视网膜血管分割网络 研究团队提出LCNet,一个采用深度可分离卷积的轻量U形网络,加入协同坐标注意力模块和空洞空间金字塔池化模块,并设置四个侧输出层。在DRIVE、STARE、CHASEDB1和IOSTAR四个公开数据集上,全局准确率分别为96.02%、97.95%、97.95%和97.77%。在DRIVE上模型仅有2.65 M参数、21.2 GFLOPs。作者还在带病变的眼底图像和OCTA图像上验证了效果。 #视网膜血管#图像分割#深度学习 +1 PubMed Ophthalmology
学术研究 2026年11月16日 跨厂商3D OCT多种黄斑疾病检测AI模型:多中心回顾性研究 多中心回顾性队列研究只用Spectralis(vendor 1)的3D OCT训练模型,来自1669名患者的6756个扫描,再在九个外部数据集上测试,含Cirrus(vendor 2)和2D扫描,共12236个扫描、4336名患者。AUROC在vendor 1为0.779至0.999,vendor 2为0.754至0.991。阴性预测值均超过97.5%,阳性预测值较低。 #OCT#黄斑疾病#深度学习 +1 PubMed Ophthalmology