#人工智能

PubMed Ophthalmology #1/39

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。

#人工智能#眼科诊断#视网膜疾病

PubMed Ophthalmology #2/39

ChatGPT-4o在眼科患者手册生成中的应用：与AAO材料的比较

本研究旨在对比ChatGPT-4o生成的眼科患者手册与美国眼科学会（AAO）提供的教育材料在英语和西班牙语版本中的可读性和质量。研究选取了10种常见眼部疾病的AAO手册，并要求ChatGPT-4o生成相应内容，确保其阅读难度为8年级水平。结果显示，ChatGPT-4o生成的手册在英语可读性方面与AAO材料相当，但在西班牙语版本中表现更优。具体而言，ChatGPT-4o生成的手册在西班牙语的Szigriszt-Pazos Perspicuity Index (SPPI)评分显著高于AAO材料。此外，ChatGPT-4o生成的手册在内容质量评估中也表现出色，尤其是在西班牙语版本中。总体而言，ChatGPT-4o生成的手册在可读性和内容质量上均达到或超过了AAO材料的标准。

#人工智能#眼科教育#患者手册

PubMed Ophthalmology #3/39

中国人类表型组计划：视网膜成像与表型提取标准化协议

视网膜成像在评估眼部及全身健康中具有重要意义，尤其在大规模人群研究中展现出巨大潜力。然而，缺乏标准化和自动化的技术手段来从视网膜图像中提取影像衍生表型（IDPs）一直是主要障碍。为解决这一问题，中国人类表型组项目（CHPP）开发了一套全面的标准化操作程序（SOP），包括质量控制（QC）、预处理以及基于人工智能（AI）的自动化或半自动化IDP提取方法。该协议旨在提高IDP提取的准确性和效率，从而促进大规模人群数据的标准化分析。这项工作不仅为眼科相关学科提供了宝贵见解，还为未来利用视网膜成像数据的研究奠定了基础。

#视网膜成像#影像衍生表型#人工智能

PubMed Ophthalmology #4/39

视网膜生物标志物在心血管疾病预测中的应用

心血管疾病（CVDs）是全球死亡的主要原因，先天性心脏病（CHD）、获得性心脏病（AHD）、瓣膜病和心肌病显著增加了发病率。视网膜眼底成像作为一种非侵入性技术，能够捕捉微血管变化，作为系统性心血管功能障碍的生物标志物。本研究系统回顾了2015年至2025年间发表的相关文献，评估了不同疾病焦点、成像模式、分析方法及诊断性能。结果表明，深度学习和机器学习模型应用于视网膜眼底图像，在检测和分类CVDs方面表现出较高的准确性。卷积神经网络在CHD检测中达到了91%的AUC值，而混合多模态方法提高了AHD和瓣膜病的预测敏感性。心肌病与血管扭曲和微出血相关，可通过自动化图像分析量化。新兴方法如基于Transformer的模型和Segment Anything Model (SAM) 的医疗影像适应，有望提高通用性和可解释性。尽管存在数据集不平衡、纵向验证有限和AI模型黑箱问题，视网膜成像仍具有作为可扩展、非侵入性工具的巨大潜力。

#视网膜成像#心血管疾病#人工智能

PubMed Ophthalmology #5/39

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。

#人工智能#集成学习#糖尿病视网膜病变

PubMed Ophthalmology #6/39

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。

#人工智能#青光眼#筛查

PubMed Ophthalmology #7/39

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。

#青光眼#视神经头#生物力学 +1

PubMed Ophthalmology #8/39

孟加拉国特定人群视网膜OCT数据集及自监督体积恢复技术

该研究构建了一个针对孟加拉国特定人群的视网膜OCT数据集BanglaOCT2025，重点聚焦于黄斑区。通过引入Flip-Flop Swin Transformers，研究人员实现了自监督的体积恢复，显著提升了图像质量和诊断准确性。这一技术路线不仅为发展中国家提供了低成本、高效率的眼科影像解决方案，还为全球眼科医学研究和临床实践开辟了新的方向。

#OCT#人工智能#视网膜

PubMed Ophthalmology #9/39

人工智能在糖尿病视网膜病变诊断中的准确性与可靠性

该研究旨在评估人工智能（AI）在识别糖尿病视网膜病变（DR）和黄斑水肿（DME）方面的诊断准确性和可靠性，并将其与眼科医生的临床评估进行比较。研究纳入了294名患者（576只眼），使用Topcon NW400非散瞳眼底相机获取眼底图像，由Google ARDA AI工具进行分析。临床分级则由视网膜专家根据国际临床DR严重程度量表进行。结果显示，AI工具在诊断DR时的敏感性为97.1%，特异性为90.9%，Kappa值为0.77；在诊断DME时的诊断效率为89.9%，Kappa值为0.48。结论表明，AI工具在诊断DR和DME方面具有高敏感性和与眼科医生的高度一致性，显示出其在视网膜健康筛查中提高诊断准确性和效率的潜力。

#人工智能#糖尿病视网膜病变#黄斑水肿

PubMed Ophthalmology #10/39

HOG-CNN：融合梯度直方图与卷积神经网络的视网膜图像分类

视网膜图像分析在早期检测和诊断糖尿病视网膜病变（DR）、青光眼和年龄相关性黄斑变性（AMD）等疾病中至关重要。然而，传统诊断流程依赖于人工解读，耗时且资源密集。为解决这些问题，研究提出了一种基于HOG-CNN混合特征提取模型的自动化临床决策支持框架。该模型将手工设计的梯度直方图（HOG）特征与预训练深度卷积神经网络EfficientNetB3学习到的表示相结合，从而捕捉视网膜图像中的局部纹理模式和高级语义特征。通过在APTOS 2019、ORIGA和IC-AMD三个公开基准数据集上的评估，HOG-CNN在二分类和多分类DR、AMD诊断以及青光眼检测中均表现出色，准确率和AUC值显著高于现有先进模型。此外，其轻量级和可解释的设计使其特别适合资源受限的临床环境。

#视网膜图像分析#人工智能#眼科诊断

PubMed Ophthalmology #11/39

大型语言模型在视网膜和玻璃体认证考试中的表现

该研究评估了ChatGPT-4、ChatGPT-4o和Claude 3.5 Sonnet在巴西视网膜和玻璃体学会认证考试中的准确性。研究使用了2018年和2019年的200道选择题，涵盖解剖生理学、病理学及诊断治疗三个领域。结果显示，Claude 3.5 Sonnet的总体准确率最高（72.5%），其次是ChatGPT-4o（66.0%）和ChatGPT-4（55.5%）。统计分析表明，Claude 3.5 Sonnet和ChatGPT-4o显著优于ChatGPT-4，而两者之间无显著差异。这些发现揭示了这些增强功能的语言模型在医学教育中的潜在价值。

#人工智能#视网膜#医学教育

PubMed Ophthalmology #12/39

基于深度学习的视网膜脱离与玻璃体积血超声图像检测

视网膜脱离（RD）是一种严重的眼科疾病，可能导致永久性视力丧失。在伴有遮挡眼底的玻璃体积血（VH）的情况下，即使使用眼部超声检查也难以诊断RD。本研究开发了一种基于YOLOv5架构的卷积神经网络（CNN），用于B型超声图像中RD和VH的检测。模型训练使用了2,188张图像，并通过1,042张图像进行验证。通过应用包括非锐化掩模在内的图像增强技术，提高了检测准确性。最终模型在五折交叉验证下，对RD、VH及RD合并VH的检测准确率分别达到96.6%、99.2%和98.0%。该深度学习算法在眼部超声图像中检测RD和VH方面表现出高准确性，特别是在伴有遮挡眼底的VH情况下，可作为辅助工具提高诊断效果。

#人工智能#视网膜脱离#玻璃体积血 +1