瞳孔扩张对糖尿病视网膜病变筛查的影响
摘要
该研究探讨了在资源有限的环境中，瞳孔扩张对便携式眼底相机图像可分级性和基于人工智能的糖尿病视网膜病变检测性能的影响。研究发现，使用瞳孔扩张剂后，图像的可分级性显著提高（82.1% vs. 55.6%），且AI模型在扩张后的图像上表现更佳（准确率85.15%，AUC 0.94）。然而，在低收入和中等收入国家，药物扩张可能不切实际，因此优化非扩张图像的模型校准和阈值设定至关重要。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- 瞳孔扩张显著提高了图像的可分级性（82.1% vs. 55.6%）
- AI模型在扩张后的图像上表现更佳（准确率85.15%，AUC 0.94）
- 在低收入和中等收入国家，优化非扩张图像的模型校准和阈值设定至关重要
本站解读
这项研究揭示了瞳孔扩张在糖尿病视网膜病变筛查中的重要性，特别是在资源有限的地区。技术路线的变迁表明，尽管便携式眼底相机为这些地区的筛查提供了可行方案，但图像质量仍然是影响AI模型性能的关键因素。瞳孔扩张可以显著提高图像的可分级性，从而提升AI检测的准确性。然而，这种技术路线的依赖也暴露了其局限性：在低收入和中等收入国家，药物扩张可能因成本和操作复杂性而难以普及。
从商业格局来看，这一发现可能会促使眼科设备制造商和AI解决方案提供商重新评估其产品策略。对于那些专注于便携式设备的企业来说，如何在不依赖瞳孔扩张的情况下优化图像质量和AI性能，将成为未来竞争的关键。国际上，一些企业已经在研发适用于非扩张图像的AI算法，以适应更多样化的临床环境。国内企业也不应忽视这一趋势，需加强在非扩张图像处理技术上的投入。
后续需要密切留意的是，随着技术的进步，是否会出现新的图像增强技术或AI算法，能够在不使用瞳孔扩张剂的情况下达到类似的诊断效果。此外，政策层面的支持和资金投入也将是推动这一领域发展的关键因素。
常见问题
瞳孔扩张对糖尿病视网膜病变筛查有什么影响？
瞳孔扩张可以显著提高图像的可分级性，从而提升AI检测的准确性。但在低收入和中等收入国家，药物扩张可能不切实际，因此优化非扩张图像的模型校准和阈值设定非常重要。
如果不能使用瞳孔扩张剂，该怎么办？
如有疑虑可咨询眼科医生。目前，研究人员正在努力优化非扩张图像的AI模型，以确保在不使用瞳孔扩张剂的情况下也能进行有效的筛查。
延伸阅读
便携式眼底相机Eyerobo FC在糖尿病视网膜病变筛查中的验证
本研究旨在验证新型便携式非散瞳眼底相机Eyerobo FC在糖尿病视网膜病变（DR）筛查中的诊断性能。通过使用EyePACS和APTOS 2019数据集训练的深度学习模型（EfficientNet-B4），并在Messidor-2数据集上建立基准，该模型在Topcon TRC NW6桌面相机图像上的敏感性为92.7%，特异性为94.3%。随后，将同一模型应用于Eyerobo FC拍摄的图像，在前瞻性队列中验证其性能。结果显示，Eyerobo FC在104只眼睛（52例可转诊DR，52例不可转诊）中实现了92.3%的敏感性和94.2%的特异性，与桌面系统相比表现出非劣效性。这些结果支持在资源受限和即时护理环境中部署便携式AI辅助筛查。
糖尿病视网膜病变早期诊断的自动化系统
该研究旨在开发一种基于眼底图像的自动化诊断系统，用于早期检测糖尿病视网膜病变（DR）。通过识别渗出物、出血和微动脉瘤等特征，结合小波变换边缘增强、高斯混合模型聚类以及机器学习算法（如随机森林分类器和多层感知机神经网络）进行特征提取和分类。研究使用了IDRiD数据集和Kaggle数据集中的眼底图像，结果显示，基于随机森林的分类系统在检测DR病灶方面达到了95.08%的敏感性、86.67%的特异性和95.20%的整体准确性。这一方法为大规模筛查提供了高精度、自动化且可扩展的解决方案，尤其适用于眼科专业资源有限的地区。
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。