深度学习技术助力糖尿病视网膜病变检测
摘要
糖尿病视网膜病变（DR）是糖尿病患者常见的严重眼部并发症，影响约30%-40%的患者。该研究提出了一种结合多尺度采样、二维小波变换和指数移动平均机制的深度学习框架，用于超广角荧光素血管造影（UWFA）图像中渗漏区域的语义分割。实验结果表明，该模型在处理高分辨率UWFA图像时表现出色，能够高效准确地分割渗漏区域，为临床提供了更客观及时的量化工具。
信息来源： PubMed Ophthalmology 发布于 2026年3月2日
要点速览
- 糖尿病视网膜病变影响约30%-40%的糖尿病患者，主要损害视网膜微血管系统。
- 研究提出了一种结合多尺度采样、二维小波变换和指数移动平均机制的深度学习框架。
- 该模型在处理高分辨率UWFA图像时表现出色，能够高效准确地分割渗漏区域。
本站解读
这项研究在全球范围内处于领先地位，通过深度学习技术显著提升了糖尿病视网膜病变的诊断准确性。在中国，这种技术的实际应用可能需要经过国家药品监督管理局（NMPA）的审批，预计从实验室到临床应用的时间大约为2-3年。审批依据主要在于其在大规模临床数据集上的验证效果，尤其是来自广东人民医院和佛山第二人民医院的数据。
目前，国内现有的替代方案如传统的UNet网络，在处理不规则形态和高分辨率图像时存在局限性。新方法不仅在性能上超越了传统网络，还通过多尺度融合框架增强了鲁棒性。这将对中国的糖尿病视网膜病变筛查和治疗带来重大改进，提高早期干预的可能性。
长远来看，这一技术的应用将推动中国眼科产业链的发展。首先，它将促进医疗影像设备的升级换代，提升医疗机构的诊疗水平。其次，随着技术的普及，更多的医院和诊所将采用这种先进的诊断工具，从而带动相关软硬件市场的增长。此外，该技术的成功应用还将吸引更多科研机构和企业投入到眼科人工智能领域的研发中，进一步推动整个行业的创新和发展。
常见问题
这项技术对糖尿病视网膜病变患者有什么帮助？
这项技术可以更准确地识别和分割糖尿病视网膜病变中的渗漏区域，有助于医生更早地发现病变并进行干预，从而减少视力损失的风险。如有疑虑可咨询眼科医生。
这种新技术什么时候能在中国使用？
预计这种新技术在中国的临床应用还需要2-3年的时间，具体取决于国家药品监督管理局的审批进度。
延伸阅读
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。
深度学习框架提升糖尿病视网膜病变眼底图像分析
糖尿病视网膜病变（DR）是糖尿病患者视力损害的主要原因之一。早期检测和准确分级对于及时临床管理至关重要。然而，由于病变外观和图像质量的变异性，开发鲁棒的自动解释和分级模型仍具挑战性。本研究提出了一种基于DenseNet121骨干网络并初始化CheXNet权重的深度学习框架，集成卷积块注意力模块（CBAM）以增强特征表示，并使用梯度加权类激活映射（Grad-CAM）提供模型预测的可视化解释。该模型在APTOS 2019和DDR数据集上分别达到96.12%和96.33%的准确率，优于其他几种卷积神经网络架构。结果表明，结合CBAM可以提高DenseNet121框架内的鉴别特征学习能力。尽管模型在两个公共数据集上表现出色，但仍需进一步前瞻性评估和外部验证以确定其在实际临床环境中的适用性。
基于解剖学上下文的深度学习在糖尿病视网膜病变黄斑分割中的应用
准确的黄斑分割是糖尿病视网膜病变筛查的关键步骤，但因黄斑边界模糊而极具挑战性。精确分割对于糖尿病黄斑水肿（DME）的管理至关重要，因为治疗决策依赖于黄斑区域的准确界定。现有方法多依赖于增加模型架构复杂度，而解剖学上下文信息的应用尚未充分探索。本研究提出了一种数据驱动的方法，通过逐步引入关键解剖标志（如视盘、视网膜和血管）来增强黄斑检测。为此，研究团队开发了IDRiD-RETA-FV数据集，并设计了MNv4Fovea框架，利用多类约束机制明确利用这些解剖学相互依赖关系。实验结果表明，该方法在多个数据集上表现出色，特别是在REFUGE和MESSIDOR数据集上的平均欧几里得距离达到最佳水平。