改进鲸鱼优化算法和卷积Kolmogorov-Arnold网络检测糖尿病视网膜病变严重程度
摘要
研究者提出了一种基于深度学习的方法，通过改进的鲸鱼优化算法和卷积Kolmogorov-Arnold网络来提高糖尿病视网膜病变（DR）的早期识别能力。该方法利用ShuffleNet V2模型结合视觉变换器的注意力机制提取特征，并在EyePACS数据集上进行五折交叉验证训练，在MESSIDOR-2数据集上测试，平均准确率达到93.84%。此外，该模型对计算资源需求较低，适合在资源有限的医疗机构中部署。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- 研究提出一种基于深度学习的方法，用于检测糖尿病视网膜病变的严重程度。
- 使用改进的鲸鱼优化算法和卷积Kolmogorov-Arnold网络，结合ShuffleNet V2和视觉变换器的注意力机制。
- 在MESSIDOR-2数据集上测试，平均准确率达到93.84%，且对计算资源需求较低。
本站解读
这项研究揭示了人工智能在眼科领域的应用正逐步从理论走向实践，特别是在糖尿病视网膜病变的早期诊断方面。通过引入改进的鲸鱼优化算法和卷积Kolmogorov-Arnold网络，研究者不仅提高了模型的准确性，还显著降低了其对计算资源的需求。这标志着技术路线正在向更高效、更实用的方向发展。
当前，国内外多家企业在AI辅助诊断领域展开激烈竞争，但真正能够实现临床落地的产品并不多见。此次研究的突破性进展，或将引发新一轮的技术革新与市场洗牌。国内企业如腾讯觅影等也在积极布局相关管线，未来有望在这一领域占据一席之地。然而，随着技术门槛的降低，护城河的构建将更多依赖于数据积累和应用场景的拓展。
值得注意的是，尽管该模型在MESSIDOR-2数据集上表现优异，但其在不同人群中的泛化能力仍有待进一步验证。后续需要密切留意的是，该技术能否在更大规模的真实世界数据中保持高精度，以及如何解决数据隐私和伦理问题，这些都将是决定其商业化前景的关键因素。
常见问题
这个新方法能帮助医生更好地诊断糖尿病视网膜病变吗？
是的，这项研究提出的新方法通过改进的算法和网络结构，提高了糖尿病视网膜病变的早期识别能力，有助于医生更早地发现病变。如有疑虑可咨询眼科医生。
这种技术是否已经在医院中使用了？
目前这项技术还在研究阶段，尚未广泛应用于临床。不过，由于其对计算资源需求较低，未来有可能在资源有限的医疗机构中得到应用。如有疑虑可咨询眼科医生。
延伸阅读
基于梯度优化的集成模型提升医疗预测精度
本研究提出了一种新的集成学习方法——基于梯度的权重优化集成模型（GBWOEM），通过优化五个基础模型（决策树分类器、随机森林分类器、逻辑回归、多层感知机和K-近邻）的权重，以提高医疗诊断和分类问题的预测准确性。该模型在乳腺癌、糖尿病视网膜病变等五个医疗相关数据集上进行了测试，结果显示其准确率比传统集成模型如Adaboost、Catboost、GradientBoost、LightGBM和XGBoost提高了0.48%至8.26%。此外，性能指标包括ROC-AUC分析表明，GBWOEM在处理不平衡数据方面具有显著优势，为医疗应用中的预测一致性和患者结果提供了可靠的解决方案。
深度学习算法在糖尿病视网膜病变中的非灌注区自动量化
该研究旨在评估一种定制的深度学习算法在超广角扫频源OCT血管成像（UWF SS-OCTA）中对非灌注区（NPA）进行自动分割的性能及其在糖尿病视网膜病变（DR）严重程度评估中的应用。研究采用横断面设计，纳入180只眼，涵盖所有DR严重程度等级。研究人员开发了一种基于多尺度U-Net骨干网络并结合挤压和激励注意力机制的卷积神经网络，用于从三种扫描模式（6 × 6 mm、12 × 12 mm 和 29 × 24 mm）的全视网膜层图像中分割NPA。通过两名独立评分者和一名玻璃体视网膜专家生成的金标准标注，以及结构OCT图像来区分真实NPA与阴影伪影。结果显示，该算法在不同扫描尺寸下均表现出高精度（F1分数分别为0.82 ± 0.01、0.84 ± 0.03 和 0.83 ± 0.02），且无显著差异。Bland-Altman分析表明，人类标记和算法预测的非灌注指数（NPI）之间具有高度一致性。结论是，该深度学习算法在单次扫描UWF SS-OCTA中实现了高精度和可扩展性，支持其作为客观DR OCTA生物标志物分析工具的潜力。
人工智能在糖尿病视网膜病变诊断中的准确性与可靠性
该研究旨在评估人工智能（AI）在识别糖尿病视网膜病变（DR）和黄斑水肿（DME）方面的诊断准确性和可靠性，并将其与眼科医生的临床评估进行比较。研究纳入了294名患者（576只眼），使用Topcon NW400非散瞳眼底相机获取眼底图像，由Google ARDA AI工具进行分析。临床分级则由视网膜专家根据国际临床DR严重程度量表进行。结果显示，AI工具在诊断DR时的敏感性为97.1%，特异性为90.9%，Kappa值为0.77；在诊断DME时的诊断效率为89.9%，Kappa值为0.48。结论表明，AI工具在诊断DR和DME方面具有高敏感性和与眼科医生的高度一致性，显示出其在视网膜健康筛查中提高诊断准确性和效率的潜力。