融合Transformer框架SwinCup-DiscNet助力青光眼早期诊断
摘要
青光眼是全球永久性视力障碍的主要原因之一，其病理机制涉及视神经头（ONH）的进行性破坏。早期检测对于预防视力丧失至关重要。本研究提出了一种新的融合Transformer框架SwinCup-DiscNet，该框架结合了视盘和视杯特征以及基于U-Net的注意力机制，以实现更有效的青光眼筛查。通过提取视盘和视杯的形状描述符，并结合Swin Transformer编码器提取的眼底图像特征，该模型能够综合评估垂直杯盘比（CDR），并最终通过概率融合方法获得青光眼分类。实验结果表明，SwinCup-DiscNet在三个公开数据集（LAG、ACRIMA和DRISTHI-GS）上的表现优于传统的基于CNN的模型和其他仅基于分割的方法，在DSC IoU、准确率、F1分数和CDR MAE等指标上均表现出色。这证明了SwinCup-DiscNet在临床应用中的鲁棒性、可靠性和可解释性。
信息来源： PubMed Ophthalmology 发布于 2026年2月9日
要点速览
- SwinCup-DiscNet是一种新的融合Transformer框架，用于青光眼的早期诊断。
- 该框架结合了视盘和视杯特征以及基于U-Net的注意力机制，通过概率融合方法进行青光眼分类。
- 实验结果显示，SwinCup-DiscNet在多个公开数据集上的表现优于传统基于CNN的模型。
本站解读
随着人工智能技术在眼科领域的不断渗透，SwinCup-DiscNet的出现标志着青光眼诊断技术路线的重大变革。传统基于卷积神经网络（CNN）的方法虽然在一定程度上提高了诊断效率，但其对复杂视觉特征的处理能力有限。相比之下，SwinCup-DiscNet通过融合Transformer架构，不仅提升了对视盘和视杯特征的识别精度，还增强了模型的泛化能力和临床可解释性。这一技术进步预示着未来青光眼筛查将更加依赖于深度学习与多模态数据融合。
从行业竞争生态来看，SwinCup-DiscNet的成功无疑为相关企业树立了新的标杆。国内外多家医疗AI公司正积极布局眼科影像分析领域，试图通过技术创新建立自己的护城河。然而，随着技术门槛的提高，那些缺乏核心算法研发能力的企业或将面临更大的市场压力。此外，尽管SwinCup-DiscNet在多个公开数据集上表现出色，但其在真实世界临床环境中的长期稳定性和适用性仍有待进一步验证。后续需要密切关注的是，该模型能否在大规模临床试验中保持其优越性能，以及如何解决不同地区和人群间的差异性问题。
常见问题
这个新方法能帮助医生更好地诊断青光眼吗？
SwinCup-DiscNet通过结合视盘和视杯特征以及深度学习技术，提高了青光眼的诊断准确性。如有疑虑可咨询眼科医生。
这种新技术什么时候能在医院里用上？
目前SwinCup-DiscNet已在多个公开数据集上进行了测试，但具体何时能在医院广泛应用还需等待进一步的临床验证和审批。
延伸阅读
PathFinder AI工具在非视网膜专家中的诊断一致性评估
本研究旨在评估非视网膜专科医生（NRS）使用PathFinder人工智能辅助工具与视网膜专科医生在诊断和转诊决策上的一致性。研究纳入了202名连续接受CIRRUS平台OCT检查的患者，其中PathFinder AI模块被用于辅助诊断。结果显示，在202只眼睛中（平均年龄62.7 ± 12.3岁），PathFinder AI工具在资源有限的情况下具有显著的实时决策支持价值，但在特定疾病尤其是威胁视力的条件下，仍需进一步优化和临床监督。
基于深度学习的非洲裔原发性开角型青光眼筛查模型
原发性开角型青光眼（POAG）是一种导致失明的重要疾病，尤其在非洲裔人群中发病率较高。然而，现有的AI筛查模型数据集中，非洲裔人群的数据代表性不足。本研究开发了一种基于深度学习的POAG筛查模型，使用了来自Primary Open-Angle African American Glaucoma Genetics (POAAGG)项目的64,129张眼底照片，包括1782例病例和682例对照组。该模型通过二分类器选择最具信息量的六张图像，并利用Vision-Transformer预测每张图像的POAG概率，最终通过平均概率进行诊断（AUC=0.925）。该模型在REFUGE-1数据集（中国人群）上也进行了验证（AUC=0.920），显示出其在不同人群中的普适性和有效性。该模型有望在初级保健机构及资源匮乏地区实现POAG的大规模筛查。
视神经头生物力学在青光眼视野缺损分类中的应用
该研究旨在评估视神经头（ONH）的生物力学特性，通过组织应变量化是否能提高对青光眼患者进行视野（VF）损失模式分类的能力。研究纳入了249名青光眼患者，通过自动分割和数字体积相关计算神经组织和LC应变，并将这些特征输入PointNet模型进行分类任务。结果显示，加入应变信息后，模型在分类特定视野缺损时性能显著提升，AUC从0.83±0.02提高到0.87±0.02。此外，研究发现应变敏感区域主要集中在下部和颞下缘，且随着视野损失严重程度增加而扩展。这表明ONH应变在预测青光眼视野损失方面具有重要作用。