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
摘要
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。
信息来源： PubMed Ophthalmology 发布于 2026年3月1日
要点速览
- 研究开发了一种基于多尺度U-Net骨干网络的深度学习算法，用于自动分割非灌注区。
- 算法在不同扫描尺寸下的F1分数分别为0.82 ± 0.01、0.84 ± 0.03 和 0.83 ± 0.02。
- 研究结果支持该算法在客观DR OCTA生物标志物分析中的潜在应用。
本站解读
这项研究揭示了深度学习技术在眼科影像分析中的巨大潜力，特别是在糖尿病视网膜病变的诊断和管理中。随着人工智能技术的进步，传统的手动阅片方式正逐渐被自动化工具所取代，这不仅提高了诊断效率，还减少了人为误差。，未来将有更多的智能辅助工具进入临床实践。
从商业格局来看，国内外多家企业都在积极布局这一领域，竞争日益激烈。国内如爱尔眼科等大型眼科医院集团也在加大研发投入，试图在这一新兴市场中占据一席之地。然而，尽管前景广阔，但技术的成熟度和临床验证仍然是关键挑战。目前，国外企业在研发管线进度上略占优势，但国内企业的追赶速度也不容小觑。
对于中国眼科行业而言，这项技术的应用将极大提升基层医疗机构的诊疗水平，尤其是在偏远地区。同时，这也意味着传统的眼科医生需要不断更新知识和技术，以适应新的诊疗模式。后续需要密切留意的是，这些技术如何在实际临床中落地，以及相关的法规和政策是否能够及时跟进，确保技术的安全性和有效性。
常见问题
这个研究对糖尿病视网膜病变患者有什么帮助？
这项研究开发的深度学习算法可以自动识别和量化糖尿病视网膜病变中的非灌注区，有助于更准确地评估病情严重程度，从而为患者提供更精准的治疗方案。如有疑虑可咨询眼科医生。
这种新技术什么时候能用到临床上？
虽然这项技术在研究中表现出了高精度和可扩展性，但具体何时能在临床上广泛应用还需进一步的临床验证和法规审批。预计在未来几年内可能会有更多进展。
延伸阅读
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。
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
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。