#糖尿病视网膜病变

PubMed Ophthalmology #2/61

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。

#糖尿病视网膜病变#自动化诊断#机器学习

PubMed Ophthalmology #3/61

瞳孔扩张对糖尿病视网膜病变筛查的影响

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。

#糖尿病视网膜病变#AI筛查#便携式眼底相机

PubMed Ophthalmology #4/61

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 #5/61

双变换器残差网络实现视网膜眼底图像超分辨率

高分辨率视网膜眼底图像是诊断糖尿病视网膜病变的关键，但临床数据集常包含低分辨率图像，这会模糊重要的血管结构。现有超分辨率方法面临平滑过度或生成虚假伪影的问题。研究提出了一种结合Swin Transformer和残差卷积神经网络的双变换器残差超分辨率网络（DTRSRN），通过分形维度分析定量测量血管形态保留情况。实验结果显示，DTRSRN在三个基准数据集上实现了33.64 dB的峰值信噪比，优于包括SwinIR、HAT和ResShift在内的现有方法，并在血管结构保留方面提高了17.0%。

#视网膜眼底图像#超分辨率#糖尿病视网膜病变

PubMed Ophthalmology #6/61

印度非眼科医生主导与AI辅助糖尿病视网膜病变筛查的实效性研究

该研究在印度农村地区评估了三种糖尿病视网膜病变（DR）筛查模式：非眼科医生主导的健康和福利中心（HWCs）筛查、基于智能手机的离线AI辅助社区筛查以及标准转诊护理。结果显示，非眼科医生主导的模型在DR检测中表现出86.4%的敏感性和94.3%的特异性，对于可转诊的DR（RDR），敏感性达到95.8%，特异性为93.1%。而离线AI辅助模型在RDR检测中的敏感性为93.3%，特异性为85.1%，但因图像质量问题导致不可分级率高达38%。研究表明，非眼科医生主导的筛查在准确性和操作可行性方面更优，而AI辅助筛查在社区使用中有潜力但需解决图像质量和技术限制。

#糖尿病视网膜病变#筛查#AI辅助诊断

PubMed Ophthalmology #7/61

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 #8/61

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 #9/61

糖尿病视网膜病变的纵向定量评估：OCT与OCTA的应用

该前瞻性研究通过光学相干断层扫描（OCT）、光学相干断层扫描血管成像（OCTA）及MATLAB分析，对142只糖尿病眼（0-3期糖尿病视网膜病变，DR）和34只对照眼进行了为期两年的随访。研究发现，糖尿病眼在基线时即表现出较低的黄斑下脉络膜厚度（SFCT）和脉络膜血管指数（CVI），且这些指标随时间进一步恶化。此外，深层血管直径指数（VDI）在区分0期与1期DR方面表现最佳，而浅层VDI则有助于区分2期与3期DR。这些定量指标为早期检测、分期和监测DR提供了新的生物标志物。

#糖尿病视网膜病变#OCT#OCTA

PubMed Ophthalmology #10/61

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 #11/61

零样本学习在眼科疾病检测中的突破

深度学习在医学图像分析中面临的主要瓶颈之一是需要大规模、专家标注的数据集。特别是在眼科领域，早期疾病的检测如轻度糖尿病视网膜病变（DR1）由于病灶细微且标注数据稀缺，使得监督学习方法受限。本研究提出了一种基于零样本学习（ZSL）的通用眼病检测框架，该框架模仿临床推理过程。通过使用LCFP-14M这一大规模眼底图像资源，该方法首先利用Siamese网络识别疾病相关性，然后从高度相关的源疾病中分割出DR1特异性病灶，并采用ResNet-Agglomerative聚类管道实现无监督的DR1检测。结果显示，该模型在未使用任何标注的DR1数据的情况下，实现了0.8337的准确率、0.8700的精确率、0.7456的召回率、0.8030的F1分数和0.9226的ROC-AUC值，优于大多数外部测试数据集上的监督基线。这些发现表明，ZSL可以模拟临床诊断逻辑，并推广到未见过的眼病，为标注数据稀缺情况下的自动化筛查提供了一种有前景的方法。

#零样本学习#眼科AI#糖尿病视网膜病变

PubMed Ophthalmology #12/61

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#便携式眼底相机#人工智能