新研究开发不确定性感知ViT模型跨多族裔近视人群检测青光眼
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载模型与训练数据构成
该研究构建了一个带预测不确定性估计的 ViT-B/16 模型，用于从彩色眼底照片中识别青光眼。训练所用图像共 56,483 张，其中 57.1% 来自近视眼，14.4% 属于高度近视。青光眼标签并非直接沿用原始标注，而是借助临床、影像与视野检查三类信息做了统一化处理，目的是让不同来源的标签口径趋于一致。研究关注的核心问题是：当外部数据集的真值定义、人群构成以及高度近视等共存眼病情况发生变化时，模型的判别能力是否还能维持。为此，作者在三大洲的 16 个独立数据集上做了验证，其中 4 个数据集带有明确的高度近视标签。这一设计把高度近视单独拎出来评估，而不是把它当作普通样本的一部分。
内部与外部验证表现
在内部验证中，模型的 AUROC 为 98.7%，灵敏度 94.5%，特异度 97.3%。针对高度近视眼，内部 AUROC 为 97.8%，灵敏度 94.8%，特异度 93.7%。外部验证覆盖八个国家的 16 个数据集，AUROC 区间为 86.4% 至 99.6%。在高度近视子集上，北京眼研究的 AUROC 为 86.5%；来自台湾、泰国和韩国的医院数据集分别为 93.3%、91.8% 和 85.5%。这些数字说明，同一模型在不同人群与不同机构之间表现存在落差，高度近视样本上的外部结果普遍低于内部水平。研究还包含一项探索性的高度近视临床评估，但材料未给出该部分的完整结果。
适用范围与读者关注点
从已披露的信息看，该模型的定位是面向多族裔、含或不含高度近视人群的青光眼筛查辅助，而非替代临床诊断。它的价值在于把不确定性估计一并输出，使使用者能判断某次预测的可靠程度；其限制则体现在外部泛化上——跨机构、跨国度时 AUROC 的下限明显低于内部验证，高度近视眼尤其容易拉低表现。对关注眼科 AI 落地的人而言，这意味着单看内部指标不足以判断模型能否直接搬到新场景；标签定义是否统一、目标人群中高度近视占比多少，都会影响实际效果。材料未提供部署成本、运行硬件或前瞻性临床终点等信息。
为什么值得看
解决AI眼底筛查因人群及共存病差异导致的泛化下降问题，对跨中心落地有参考价值。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。