学术研究 2026年11月17日 眼底照片AI筛青光眼:1707张公开图像的回顾性研究 巴基斯坦Al-Shifa Trust眼科医院团队用来自五个公开数据集的1707张眼底照片,比较了EfficientNetV2b0等五种卷积神经网络,把图像分为青光眼与健康两类。这是回顾性研究。表现最好的EfficientNetV2b0曲线下面积(AUC)0.98,准确率93%,敏感度97%,精确率89%,F1分数93%。作者认为该方法适合大规模筛查和资源不足的环境。 #青光眼#人工智能#眼底照片 +1 PubMed Ophthalmology
学术研究 2026年11月16日 视网膜年龄差在青光眼患者中的影响因素:晶状体状态最突出 视网膜年龄差(RAG)是AI由眼底照片预测的视网膜年龄与实际年龄之差。这项回顾性观察研究分析了山梨大学医院283只眼的45度眼底彩照,平均实际年龄65.5岁,平均预测视网膜年龄59.9岁,平均RAG为-5.7岁。有晶状体眼的RAG大于人工晶状体眼,视力越差、远视越明显,RAG越大;青光眼严重程度与RAG无显著关联。 #视网膜年龄差#青光眼#眼底照片 +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 眼底照片AI分析与慢性肾病:病例对照研究发现血管参数差异 这项单中心病例对照研究用AI平台量化眼底照片的视网膜血管特征,纳入322人:对照110人、慢性肾病1-2期142人、3-5期70人,每人取一只眼。校正年龄、性别和BMI后,动静脉比值较低、动脉迂曲度较低、动脉血管密度较低,以及静脉血管密度较高、3PD区域血管迂曲度较高,均与慢性肾病相关。最终模型的AUC为0.776。 #眼底照片#慢性肾病#视网膜血管 +1 PubMed Ophthalmology
学术研究 2026年11月16日 眼底照片AI评估15种疾病风险:真实病例准确率64.7% 研究开发了基于CAFormer B36的AI框架,可从眼底照片同时评估15种病变的风险,训练数据来自公开来源和自有临床档案,并用焦点损失和针对性过采样处理类别不平衡。在内部图像级测试集上,15类的ROC AUC为0.9524-0.9971,F1为0.8968-0.9649。在单一机构68例真实病例的探索性评估中,总体准确率为64.7%(95% CI 52.9-76.5%)。 #眼底照片#人工智能#多病种筛查 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 眼底AI评估心血管风险:与PREVENT一致性有限 一项回顾性横断面研究纳入1461名40岁及以上成人,拍摄免散瞳眼底照片,用AI平台给出视网膜心血管风险分层(Reti-CVD),并与美国心脏协会PREVENT方程比较。Reti-CVD高风险与年龄大、男性、糖尿病、高血压等相关。它对PREVENT风险阈值的区分能力为中等(AUC 0.689-0.757),分层一致性为轻微到一般(κ=0.144)。作者称结果仅为提出假设,需要前瞻性验证。 #人工智能#眼底照片#心血管风险 PubMed Ophthalmology
学术研究 2026年11月16日 模拟医生推理的青光眼眼底AI:1077张照片的数据集 研究者构建了他们称为首个带临床标注的眼底推理数据集:1077张眼底照片,每张配有专家撰写的六步诊断报告。在此基础上,团队开发了先生成结构化临床推理、再给出诊断的视觉语言框架。生成的报告杯盘比平均绝对误差为0.070,ISNT Kendall距离为1.73,与专家报告的语义一致性最高(BERTScore-F1为0.874)。青光眼诊断的平衡准确率为94.7%,精确率为94.8%。 #青光眼#眼底照片#人工智能 PubMed Ophthalmology
学术研究 2026年11月16日 医学中的人机协作:替代技能与新技能两种用法 这是一篇关于医学AI的论述文章,不是临床研究。作者区分了人机协作的两种用法:一种是「超越式」(outskilling),让AI在专家本来就能做好的任务上超过人类,例子是检测结肠息肉的计算机辅助诊断,作者认为这种用法有削弱医生技能的风险,且没有证明带来有意义的结局改善;另一种是「新技能」(newskilling),例子是从眼底照片推算视网膜年龄差。 #医学人工智能#视网膜年龄差#眼底照片 PubMed Ophthalmology