基于深度学习的眼部超声图像视网膜脱离伴玻璃体出血检测

为何这对挽救视力至关重要

视网膜脱离是一种眼部急症，可能在数小时或数天内夺去视力。当眼内出血阻挡了医生观察视网膜的视野时，常常依赖超声检查。但这些带有噪点和回声的影像难以解读，尤其是在繁忙的急诊室或经验不足的临床医师面前。本研究探讨一种现代人工智能能否在超声图像中快速且可靠地检测出危险的视网膜脱离及相关出血，从而帮助医生保护患者的视力。

看透眼内的迷雾

本研究聚焦两种危及视力的问题：视网膜脱离，即感光组织从眼球后壁剥离；以及玻璃体出血，即血液渗入充满眼球的凝胶状物。当眼睛透明时，医生可以直接观察视网膜寻找病变。但当浓密的血液遮挡视野时，他们改用超声，超声能显示从眼内结构反射回来的亮线和斑点式图案。不幸的是，漂浮的血液产生的回声在视觉上常常与薄而片状的脱离视网膜相似，在需要快速处理的关键时刻导致诊断不确定。

教计算机解读眼部扫描

研究人员训练了一个基于实时目标检测方法 YOLOv5 的深度学习系统，用于在超声图像中识别三种情况：仅视网膜脱离、仅玻璃体出血，或二者并存。他们收集了数年间针对已疑似这些问题的患者所拍摄的3,773幅扫描图像。有经验的眼科专家对每幅图像进行了标注，并在显示病变的区域绘制框框，为计算机提供示例以学习识别。随后将图像分为训练、调整和最终测试集，以便在系统从未见过的图像上公平评估其性能。

为机器锐化模糊图像

由于超声图像本身通常模糊且有斑点，团队在将图像输入 AI 前尝试了多种方法以突出关键结构。其中一种方法称为反锐化掩模（unsharp masking），它在边缘处微妙地提高对比，使丝状的视网膜脱离在不引入明显伪影的情况下显得更亮更清晰。他们还尝试了阈值处理和二值化——根据亮度将图像转换为黑白块，以减少散射血液回声的“雾化”效果，同时保留指示脱离的连续线条。在主要开发流程中，他们将这些增强方法与反复训练循环和交叉验证相结合，这是一种有助于避免过拟合并提高对新数据可靠性的策略。

系统的表现如何

经过数轮优化后，最终模型在543幅此前未见过的图像上测试表现出高度准确性。它对视网膜脱离的识别率为96.6%，对玻璃体出血为99.2%，对两者并存这一尤其棘手的情况为98.0%，整体准确率接近98%。研究者还比较了不同版本的 YOLO，发现尽管较新的模型在通用图像基准上表现良好，YOLOv5 更适合此特定的医学任务和数据集。额外实验显示，尽管某些预处理步骤单独看未必总能提高平均准确率，但它们改善了关键结构的清晰度，似乎在视觉最为混乱的扫描中尤其有帮助。

这对患者与医生可能意味着什么

对于因突发视力丧失而来到急诊的患者而言，分秒必争。本研究表明，经过精心训练的 AI 系统可作为一种快速的“第二双眼睛”，以专家级精度在超声图像上标记视网膜脱离和严重出血。该工具并非用来取代眼科医生或全面的临床检查，而是作为支持，尤其在图像难以解读或专家无法立刻到位时。在此类系统成为常规之前，需要在多家医院、不同设备和临床流程中进行测试。不过，结果指向了这样的未来：智能软件能帮助医生更快、更一致地抢救濒危视网膜，从而挽回视力。

引用: Toyama, N., Hidaka, T., Tamura, H. et al. Deep learning-based detection of retinal detachment with vitreous hemorrhage in ocular ultrasound images. Sci Rep 16, 8398 (2026). https://doi.org/10.1038/s41598-026-38272-6

关键词: 视网膜脱离, 玻璃体出血, 眼部超声, 深度学习, 医学影像人工智能