深度学习框架提升糖尿病视网膜病变眼底图像分析
摘要
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。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- 糖尿病视网膜病变是糖尿病患者视力损害的主要原因，早期检测和准确分级至关重要。
- 研究提出基于DenseNet121骨干网络并集成CBAM和Grad-CAM的深度学习框架。
- 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。
本站解读
这项研究揭示了深度学习技术在眼科领域的应用潜力，特别是针对糖尿病视网膜病变的自动诊断。通过引入CBAM和Grad-CAM，研究人员不仅提升了模型的准确性，还增强了其可解释性，这对于临床医生来说尤为重要。当前，国内外多家企业在AI辅助诊断领域展开激烈竞争，如谷歌、IBM等国际巨头以及国内的腾讯觅影等。这些企业都在不断优化算法，试图在这一高壁垒市场中占据一席之地。值得注意的是，尽管该研究在公开数据集上表现优异，但其在真实世界中的应用效果仍有待验证。未来，随着更多高质量数据的积累和算法的持续迭代，AI在眼科的应用将更加广泛，有望显著改善患者的诊疗体验。
常见问题
这个研究对糖尿病视网膜病变的诊断有什么帮助？
这项研究通过深度学习技术提高了糖尿病视网膜病变眼底图像的自动分析和分级准确性，有助于早期发现和及时治疗。
这种新技术什么时候能用到医院里？
虽然该研究在公开数据集上表现良好，但还需进一步的临床验证和评估。如有疑虑可咨询眼科医生。
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。
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。