近日，全球眼科学顶尖学者Andrzej Grzybowski教授在国际权威期刊《The Ophthalmologist》发表的《Landmark Literature 2024-2025,Part 2》中，系统性评述了全球眼科人工智能领域年度关键进展。汕头大学·香港中文大学联合汕头国际眼科中心陈浩宇教授团队与新加坡科技研究局付华柱研究员团队合作的《Enhancing Al reliability:A foundation model with uncertainty estimation for optical coherence tomography-based retinal disease diagnosis》以及陈浩宇教授团队的《Efficiency and safety of automated label cleaning on multimodal retinal images》两项创新性成果成功入选代表性论文！

原文链接：https://theophthalmologist.com/issues/2025/articles/june/landmark-literature-2024-2025-part-2/

入选成果亮点

1.增强AI可靠性：基于OCT的视网膜疾病诊断不确定性评估基础模型

针对人工智能在真实医疗场景中因无法表达置信度及检测未知疾病类别而受限的瓶颈，本研究开发了具备不确定性评估的基础模型（FMUE），通过光学相干断层扫描（OCT）实现16类视网膜疾病的诊断。在内部测试中，FMUE的F1得分达95.74%（显著优于现有最佳算法的92.03%–93.66%），采用阈值策略后进一步提升至97.44%。

FMUE模型以96.30%的F1得分超越视网膜专家（86.95%, p=0.004）、资深医师（82.71%, p<0.001）、初级医师（66.55%, p<0.001）及具有视觉能力的生成式预训练变换器4（GPT-4V）（32.39%,p<0.001）。对>85%的非靶病灶或低质量图像主动给出高不确定性评分，触发人工复查以规避误诊风险。该模型为临床开放环境下的视网膜病变自动检测提供了一种可靠的方法。

原文链接：https://www.sciencedirect.com/science/article/pii/S2666379124006475?via%3Dihub

2.多模态视网膜影像自动标签清洗的效率与安全性

标签噪声是影响人工智能模型性能的关键问题。本研究系统评估了开源框架Cleanlab在眼底彩照及OCT多类别数据集中的自动标签清洗效能与风险。经过六轮标签清洗，标签准确性显著提升了3.4-62.9%，数据集质量分数也大幅提高了5.1-74.4%，充分验证了标签清洗的有效性。该自动清洗方法能够正确更正绝大多数（86.6-97.5%）的伪标签，仅有极少数标签被遗漏（0.5-2.8%）或错误分类（0.4-10.6%）。

使用清洗后数据训练的RETFound模型在分类准确性上提升了0.3–52.9%。在EyePACS及APTOS-2019外部验证中，标签准确率分别提升1.3%和1.8%。该方法实现了标签的自动校正，提高了数据集的可靠性，有效、安全地增强了模型的性能。

原文链接：https://www.nature.com/articles/s41746-024-01424-x

学术影响与行业价值

两项成果分别攻克AI落地中的模型信任瓶颈与数据噪声痛点，为行业提供关键方法论支撑。

本次入选标志着汕头国际眼科中心在“眼科AI临床落地”与“数据质量控制”两大核心方向研究已达国际前沿水平。