#糖尿病视网膜病变

糖尿病视网膜病变早期血管变化的两年随访研究

该研究对142只糖尿病眼（DR分期0–3期）和34只健康对照眼进行了为期两年的纵向观察，排除了糖尿病黄斑水肿患者。所有受试者在基线、8、16和24个月接受SD-OCT、6×6 mm黄斑OCTA及广角荧光造影检查，并用MATLAB量化分析包括脉络膜血管指数（CVI）、深层血管直径指数（VDI）、血流密度、FAZ等12项指标。结果显示，DR早期（Stage 0）即存在视网膜与脉络膜微血管异常，且CVI和深层VDI可有效区分不同分期，AUC最高达0.80以上。

#糖尿病视网膜病变#OCTA#生物标志物

用CheXNet加注意力机制提升糖网眼底图像分析

该研究提出一种融合CheXNet预训练权重与卷积块注意力模块（CBAM）的深度学习模型，用于糖尿病视网膜病变（DR）的眼底图像自动分级。模型在APTOS 2019和DDR两个公开数据集上分别达到96.12%和96.33%的准确率，优于CheXNet、DenseNet121等五种对比模型。研究还引入Grad-CAM可视化技术解释模型决策依据。

#人工智能#糖尿病视网膜病变#医学影像分析

OpthaNet：轻量化AI模型提升眼病图像分类精度

该研究针对白内障、糖尿病视网膜病变和青光眼三类眼病，基于眼底图像开发了名为OpthaNet的注意力增强型AI分类架构。研究人员对EfficientNetB3、MobileNetV2和视觉Transformer三种模型进行定制优化，分别引入注意力特征精炼模块、OpthaHead分类器和META定制策略。结果显示，优化后的EfficientNetB3准确率达96.04%，较基线提升10.84%；MobileNetV2提升11.26%；视觉Transformer经META定制后性能提升超18%。

#人工智能#眼底图像#糖尿病视网膜病变

Eyerobo便携眼底相机AI筛查糖尿病视网膜病变验证成功

研究验证了新型便携式免散瞳眼底相机Eyerobo FC在糖尿病视网膜病变（DR）筛查中的诊断性能。研究采用迁移学习方法，将原本在桌面式眼底相机图像（EyePACS、APTOS 2019数据集）上训练的EfficientNet-B4模型，直接用于Eyerobo FC拍摄的图像，未做任何重训练。在104只眼睛的前瞻性队列中（52例可转诊DR，52例不可转诊），其敏感度达92.3%，特异度94.2%，与桌面式Topcon TRC NW6相机基准（敏感度92.7%，特异度94.3%）相比达到非劣效性。

#糖尿病视网膜病变#AI辅助诊断#便携眼底相机

糖尿病黄斑水肿早期对微脉冲激光反应的预测因素

该研究回顾性分析了65只患中心受累糖尿病黄斑水肿（DME）的眼睛，使用AI软件自动量化OCT上的视网膜内液（IRF）和视网膜下液（SRF）体积及外层视网膜结构完整性。患者接受577 nm亚阈值微脉冲激光治疗，52天后视力从0.22提升至0.15 logMAR，IRF体积中位数减少0.045 mm³；基线有SRF的5只眼全部清除。未接受过治疗的眼睛IRF减少59.6%，显著高于既往治疗者（11.5%）。治疗初治状态是IRF减少最强的独立预测因子。

#糖尿病视网膜病变#微脉冲激光#OCT影像分析

基于改进鲸鱼算法与卷积KAN网络的糖尿病视网膜病变分级方法

研究人员提出一种新的人工智能模型，结合ShuffleNet V2与视觉Transformer注意力机制提取眼底图像特征，再用改进鲸鱼优化算法（IWO）微调，并通过卷积Kolmogorov-Arnold网络对糖尿病视网膜病变（DR）严重程度分级。模型在EyePACS数据集上训练，在Messidor-2数据集上测试，平均准确率达93.84%，且计算资源需求较低。

#人工智能#糖尿病视网膜病变#医学影像分析

多参数OCTA指标提升轻度糖尿病视网膜病变识别

研究分析了27个光学相干断层扫描血管成像（OCTA）参数，用于区分轻度糖尿病视网膜病变患者与健康人。单参数模型平均AUC在0.47–0.88之间，而多参数组合模型平均AUC达约0.95。研究发现，表现最优的模型并非依赖最强单指标，而是稳定、互补、跨血管层和区域的弱相关参数组合。

#OCTA#糖尿病视网膜病变#人工智能辅助诊断

AI通过眼底照相无创筛查糖尿病大血管并发症

研究开发了一种基于眼底彩照的可解释AI模型，用于早期识别糖尿病患者外周动脉和主动脉疾病（PAAD）。该模型融合模拟OCT结构特征、手工血管生物标志物及注意力增强的VGG16网络，采用多实例学习和多级特征融合策略。在独立测试集上达到94.6%准确率、90.5%敏感性、96.2%特异性及0.973 AUC-ROC，平均单图推理耗时150毫秒。

#AI医疗#糖尿病视网膜病变#无创筛查

纵向临床数据对糖尿病眼病动态预测的价值研究

研究基于646名2型糖尿病患者连续3年完整随访数据，采用汇总地标法（pooled landmarking）评估纵向临床信息和模型复杂度对5种并发症年度动态预测的增量价值。使用弹性网络与LightGBM模型，在高血压和代谢相关脂肪性肝病预测中，加入既往病史使AUC分别提升0.097和0.022；但对糖尿病视网膜病变等其余三种结局未见显著改善。结论指出该增量价值具有结局特异性，需外部独立验证后方可临床应用。

#糖尿病视网膜病变#AI预测模型#纵向数据分析

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

糖尿病视网膜病变早期诊断的自动化系统

该研究旨在开发一种基于眼底图像的自动化诊断系统，用于早期检测糖尿病视网膜病变（DR）。通过识别渗出物、出血和微动脉瘤等特征，结合小波变换边缘增强、高斯混合模型聚类以及机器学习算法（如随机森林分类器和多层感知机神经网络）进行特征提取和分类。研究使用了IDRiD数据集和Kaggle数据集中的眼底图像，结果显示，基于随机森林的分类系统在检测DR病灶方面达到了95.08%的敏感性、86.67%的特异性和95.20%的整体准确性。这一方法为大规模筛查提供了高精度、自动化且可扩展的解决方案，尤其适用于眼科专业资源有限的地区。

#糖尿病视网膜病变#自动化诊断#机器学习

瞳孔扩张对糖尿病视网膜病变筛查的影响

该研究探讨了在资源有限的环境中，瞳孔扩张对便携式眼底相机图像可分级性和基于人工智能的糖尿病视网膜病变检测性能的影响。研究发现，使用瞳孔扩张剂后，图像的可分级性显著提高（82.1% vs. 55.6%），且AI模型在扩张后的图像上表现更佳（准确率85.15%，AUC 0.94）。然而，在低收入和中等收入国家，药物扩张可能不切实际，因此优化非扩张图像的模型校准和阈值设定至关重要。

#糖尿病视网膜病变#AI筛查#便携式眼底相机