#深度学习

PubMed Ophthalmology #1/23

轻量级视网膜血管分割网络LCNet：高效精准的临床辅助诊断工具

视网膜血管分割技术在计算机辅助临床诊断中至关重要。尽管深度学习技术显著提升了分割精度，但现有方法在处理细小和模糊边界时仍存在局限性，且多数主流模型依赖复杂的编码器，导致参数量大、资源需求高。为此，研究者提出了一种轻量级U形网络LCNet，通过深度可分离卷积减少参数和计算成本，并引入协同坐标注意力模块以增强特征学习。此外，LCNet还利用空洞空间金字塔池化模块捕捉多尺度特征，并通过四个侧输出层提供额外监督。实验结果显示，LCNet在DRIVE、STARE、CHASEDB1和IOSTAR四个经典数据集上分别达到了96.02%、97.95%、97.95%和97.77%的全局准确率，仅需2.65 M参数和21.2 GFLOPs。该模型在病变眼底图像和光学相干断层扫描血管成像中的表现同样出色，证明了其在视网膜血管分割中的高效性和准确性。

#视网膜血管分割#轻量级模型#深度学习

PubMed Ophthalmology #2/23

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。

#糖尿病视网膜病变#深度学习#OCT血管成像

PubMed Ophthalmology #3/23

深度学习算法在视网膜自荧光图像中精准测量地理萎缩进展

该研究开发了一种基于DeepLabV3+的深度学习算法，通过同时分析纵向获取的视网膜自荧光（FAF）图像对，实现了对地理萎缩（GA）区域的自动标注和生长率的精确测量。研究利用了AREDS2和METforMIN两项独立前瞻性临床试验的数据，共涉及174名AREDS2参与者和44名METforMIN参与者。结果显示，与手动专家标注相比，该算法在精度、召回率和Dice系数方面均有显著提升，并且在保持纵向一致性方面表现优异。这些改进对于减少测量变异性、有效评估临床试验结果具有重要意义。

#深度学习#地理萎缩#视网膜自荧光

PubMed Ophthalmology #4/23

多尺度深度学习网络在翼状胬肉自动分割中的应用

翼状胬肉是一种需要早期识别的眼科疾病，以防止其进展导致视力损害。准确测量纤维血管组织对角膜和瞳孔区域的侵犯程度是评估病情严重程度的关键步骤。本研究通过引入多尺度深度学习网络，特别是空间金字塔池化（SPP）和空洞空间金字塔池化（ASPP）模块，有效捕捉病变特征的不同尺度。这些模块被嵌入到UNet架构的瓶颈层中，以最小化计算负担。实验结果显示，嵌入了三个并行路径EF-ASPP模块的UNet网络表现出最佳性能，Hausdorff距离仅为16.75像素。这一结果表明，通过精确提取病变图谱，可以更好地预测翼状胬肉的严重程度。

#翼状胬肉#深度学习#图像分割

PubMed Ophthalmology #5/23

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。

#糖尿病视网膜病变#深度学习#眼底图像分析

PubMed Ophthalmology #6/23

白内障精细分级与诊断图像数据集

白内障是全球致盲的主要原因之一。尽管深度学习在辅助白内障诊断方面显示出潜力，但现有方法通常仅提供二元评估，而临床实践需要多级严重程度评估和相应的诊断建议。本研究构建了包含187个眼底图像案例的白内障严重程度和诊断图像数据集（CSDI），每个案例均附有详细的临床诊断报告。此外，研究提出了一种基于多模态大语言模型（MLLM）的诊断框架，能够从眼底图像中进行精细的严重程度评分，并生成专业的诊断文本。这是首次将MLLM技术应用于精确定量的白内障诊断。通过在CSDI上对几种最先进的MLLM进行基准测试，验证了该数据集注释的高质量。

#白内障#深度学习#多模态大语言模型

PubMed Ophthalmology #7/23

深度学习模型在早产儿视网膜病变自动诊断中的应用

早产儿视网膜病变（ROP）是一种影响低出生体重和早产婴儿的重要眼科疾病，可能导致不可逆的视力丧失。本研究开发了一种基于深度学习的自动化诊断系统，用于分类加号病（Plus disease）和ROP分期。该系统通过精心整理的视网膜眼底图像数据集，实现了对加号病的二分类（加号/正常）和ROP分期的多分类（0期、1期、2期、3期）。结果显示，该模型在加号病检测上的准确率为0.996，在ROP分期分类上的准确率为0.98。这些结果表明，该自动化筛查方法具有潜在的临床应用价值，能够支持及时诊断和干预，从而减少早产儿群体中的视力损害。然而，仍需多中心验证以进一步确认其临床效用。

#早产儿视网膜病变#深度学习#自动化诊断

PubMed Ophthalmology #8/23

OpthaNet：高精度多类眼科图像分类的注意力集成架构

本研究探讨了预训练深度学习模型在多类眼病（白内障、糖尿病视网膜病变和青光眼）的视网膜图像分类中的有效性。尽管卷积神经网络（CNN）和基于Transformer的模型在眼科诊断中已广泛探索，但直接比较分析仍有限。此外，高性能系统通常依赖于重型骨干网络、集成或大规模领域预训练，这在资源受限的筛查流程中可能不切实际。研究评估了三种模型：EfficientNetB3、MobileNetV2和视觉Transformer，并进行了定制修改。通过引入注意力增强特征精炼模块和OpthaHead自定义分类器，优化了EfficientNetB3和MobileNetV2；META定制优化了视觉Transformer。该设计针对眼科迁移学习中的两个实际瓶颈：对细微病变和结构区域的选择性不足，以及在有限训练数据下最终决策层的过拟合或不稳定性。优化后的EfficientNetB3相比基线提高了10.84%，准确率达到96.04%；MobileNetV2提高了11.26%，平衡了准确性和计算效率。META定制使视觉Transformer性能提升了超过18%，表明减少模型复杂度有助于在有限医疗数据上的表现。研究表明，AI驱动的眼病分类具有强大性能，并突显了AI工具在早期检测和改善临床决策及患者结果方面的潜力。

#AI眼科诊断#深度学习#眼病分类

PubMed Ophthalmology #9/23

混合深度学习与自然启发算法实现精准眼底疾病分类

眼底成像技术是检测多种眼科疾病的重要手段，能够揭示黄斑、视盘、中心凹及血管的解剖变化，从而诊断糖尿病视网膜病变、青光眼、老年性黄斑变性、白内障和近视等病症。本研究提出了一种新的混合框架，结合了深度学习特征提取与自然启发算法，利用预训练的ResNet-18和GoogLeNet架构提取特征，并通过粒子群优化、灰狼优化器、差分进化、萤火虫算法和遗传算法进行优化。最终，应用K-近邻、高斯朴素贝叶斯、支持向量机和逻辑回归等机器学习分类器对优化后的特征集进行分类。在ODIR和RFMiD数据集上的实验表明，萤火虫算法与K-近邻（FAKNN）组合达到了最先进的性能，准确率、召回率、精确度、Kappa值、F1分数和曲线下面积均为100%。这一方法不仅提高了诊断准确性，还展示了显著的临床应用潜力，有助于早期干预和改善患者预后。

#眼底成像#深度学习#自然启发算法

PubMed Ophthalmology #10/23

基于深度学习的眼睑及眶周参数评估：助力上睑下垂诊疗

上睑下垂是一种常见的眼睑疾病，影响患者的视力和外观。本研究旨在开发并评估一种基于深度学习（DL）的系统，用于自动测量眼睑和眶周参数，并对上睑下垂患者的提上睑肌功能（LF）进行分类。研究回顾性纳入了2016年1月至2021年11月期间在三级眼科整形中心接受上睑下垂手术的1,177名患者。根据临床评估，将LF分为良好（>10 mm）、一般（4-10 mm）和较差（≤4 mm）。DL模型能够准确分割眼睑和眉毛区域，并测量关键参数，与手动测量结果高度一致。结合DL提取的特征和人口统计学数据，多变量逻辑回归模型预测LF等级的总体准确率为0.760，AUC为0.829，接近眼科医生的评估水平。该DL系统提供了一种高效、客观的工具，支持上睑下垂的个性化诊断和手术规划。

#深度学习#上睑下垂#眼科诊疗

PubMed Ophthalmology #11/23

多模态MRI影像组学-临床融合模型预测甲状腺眼病静脉糖皮质激素治疗反应

本研究旨在开发一种多模态MRI影像组学-临床融合模型，以预测甲状腺眼病（TED）患者对静脉糖皮质激素（IVGC）治疗的反应。研究纳入了来自两个机构的108名TED患者（78名应答者，30名非应答者），并评估了治疗完成12周后的反应。通过单因素逻辑回归确定了与治疗反应相关的临床预测因子，并从治疗前T1加权成像（T1WI）和脂肪抑制T2加权成像（T2WI-FS）中提取了影像组学特征和深度迁移学习（DTL）特征。最终构建了一个结合影像组学-深度学习融合（RDL）评分和独立临床预测因子的综合模型。该模型在训练集和测试集中分别达到了0.916和0.862的AUC值，显著优于仅基于临床数据的模型。研究表明，这种多模态MRI影像组学-临床融合模型能够准确预测TED患者的IVGC治疗反应，为个性化治疗提供了无创工具。

#甲状腺眼病#影像组学#深度学习

PubMed Ophthalmology #12/23

深度学习预测视网膜神经纤维层变薄与青光眼发病风险

该研究基于加拿大老龄化纵向研究，通过机器对机器（M2M）模型分析了18,247名参与者（30,202只眼睛）的基线和随访数据，评估了视网膜神经纤维层（RNFL）厚度变化及其与青光眼发病的关系。结果显示，青光眼患者的眼睛RNFL变薄速度显著快于非青光眼患者（-0.46 ± 2.28 μm/年 vs -0.18 ± 2.07 μm/年；P < 0.001）。多变量分析表明，年龄较大、基线眼内压较高、角膜滞后较低以及基线RNFL较厚均与更快的RNFL变薄相关。在无基线疾病的17,552名参与者中，有344人（1.9%）发展为青光眼。预测的RNFL变薄速度与青光眼发病独立相关（HR = 1.125 per 1 μm/year increase, 95% CI 1.070-1.183, P < 0.001）。这些发现突显了基于眼底照片的深度学习模型在青光眼风险分层中的潜力。

#青光眼#深度学习#视网膜神经纤维层