使用深度学习在眼底摄影图像中自动检测和分割Weiss环

眼内微小环状体为何重要

随着年龄增长，许多人会注意到视野中出现新的“飘浮物”。大多数无害，但有些可能提示发生会导致视网膜撕裂甚至失明的变化。其中最明确的体征之一是在眼内出现的一个小型环状斑点，称为Weiss环。不过在日常的眼部照片中，这种环可能很微弱、容易被漏掉——即便是专家也难以发现，计算机更是如此。本研究介绍了一种新的人工智能（AI）系统，能够学习在标准视网膜照片中识别并描绘Weiss环，可能将常规图像转变为更丰富的临床和研究信息来源。

常规眼照中的微妙线索

眼内充满透明凝胶，随着年龄增长会逐渐与视网膜分离，这一过程称为后玻璃体脱离。当分离完成时，可能在视神经乳头前留下一个漂浮的组织环：即Weiss环。它的出现表明分离已完成，在出现突发闪光或飘浮物的患者中，它有时标志着视网膜在某段时间内更易发生小撕裂。然而，Weiss环并非总能被看到，可能位于相机视野之外，常常呈现为模糊的影子。传统用于检测常见视网膜疾病的AI系统大多忽视这些结构或将其误判为伪影，从而使一条重要信息被忽略。

教会计算机寻找环

研究人员汇集了来自多个公共数据库的582张彩色眼底照片，并请三位眼科专家标注哪些图像包含Weiss环并仔细描绘其轮廓。由此得到194张含环的图像和388张不含环的图像。然后他们构建了一个两部分的AI系统。一部分称为分割网络，学习逐像素绘制图像中环的所在位置；另一部分为分类网络，学习判断图像中是否存在环。第二个分类器仅检查分割掩码，判断标记区域是否真像一个环。最后，一个简单的统计模型将这两个分类得分合并为单一的最终预测。

系统的表现如何

在一组AI在训练中从未见过的保留测试集上，描绘环的分割网络生成的地图与专家绘制的轮廓在较清晰的样本中具有合理的重叠程度。它对真环尤其敏感，能够捕捉大多数真实的Weiss环，尽管有时会标记一些反射或背景纹理伪装成环的额外区域。当将分割输出与图像级分类器融合时，整体检测性能得到提升。组合系统在区分含环与不含环图像方面表现出较高的曲线下面积值（约0.90）和稳健的准确度，同时也能较好地排除不含环的图像。可视化热图显示模型主要关注视神经周围Weiss环通常出现的区域，这增加了其使用临床有意义线索而非偶发模式的可信度。

对护理和研究的潜在意义

作者强调，该工具不能替代在有人报告突发闪光或飘浮物时进行的全面眼科检查或高级扫描。标准照片仅覆盖视网膜的一部分，许多发生玻璃体脱离的人并不会出现可见的Weiss环。相反，该系统被定位为一种辅助工具：可在大型筛查项目中标记需仔细复查的图像，帮助受训者学习识别微妙的Weiss环，并使研究人员能够筛选数千张归档照片，研究环的发生频率及其与年龄、手术或其他眼病等因素的关系。由于该研究使用的是数量有限的公开图像，在将该方法用于日常临床决策之前，还需要更大规模的真实世界试验——最好与广角成像或三维扫描结果进行比较。

一枚小环的大数据潜力

简单来说，这项工作表明计算机不仅可以被训练来回答眼内微小漂浮环存在与否的问题，还可以描绘它的位置。尽管该系统仍属于概念验证，不能作为诊断权威，但它为将常被忽视的特征转化为可跨大规模图像集合检索的信号打开了大门。在谨慎使用并结合适当检查的情况下，这类AI可能帮助医生和研究人员更多关注那些能说明眼部老化过程的细小飘浮物。

引用: Kim, H., Ryu, S.Y., Yoo, T.K. et al. Automated detection and segmentation of Weiss ring in fundus photography images using deep learning. Sci Rep 16, 13787 (2026). https://doi.org/10.1038/s41598-026-44593-3

关键词: Weiss环, 视网膜成像, 深度学习, 玻璃体脱离, 医疗人工智能