知识增强视网膜模型

超眼科医生均值

面向超过400种眼底病、跨族裔预训练的视觉语言模型，零样本识别罕见和常见疾病的能力超越三国眼科医生平均诊断水平，并可直接集成于临床辅助诊断。

王猛 · Tian, Lin · Lin, Aidi · Yu, Jack Chung Kai · Chen, Cheng · Huiyu, Liang · Chen, Man · Meiqin, Zhang · 陈薇 · Xia, Honghe · Shi, Tingkun · Zhang, Qi · Jinming, Guo · Xiaolin, Chen · Tham, Yihchung · Wong, Wendy Meihua · Thakur, Sahil · Fenner, Beau James · 黄育强 · Zhou, Yukun · 张长青 · 陈新建 · Wang, Sophia Y. · Lee, Cecilia · Sobrin, Lucia · Cheung, Carol Y. · Pui Pang, Chi · Keane, Pearse A. · Cheng, Chingyu · 陈浩宇 · Fu, Huazhu

Nature Communications 2025

参数信息

零样本Top-5准确率（15种疾病）
0.843
零样本Top-5准确率（52种疾病）
0.756
图像检索得分（15种疾病）
0.950
图像检索得分（52种疾病）
0.886

技术优势

覆盖病种量多

覆盖超过 400 种眼底病，远超以往模型，使模型在面对罕见病时也能有知识储备而不至于完全陌生。

跨族裔泛化好

训练数据来自多个民族和国家，减少了模型在不同人群间的性能差异，提高了泛化能力。

超过资深医生

在零样本识别任务中，Top-3 准确率超过了来自三个国家的 19 名眼科医生的平均诊断准确率，证明模型具备专家级辅助诊断能力。

零样本直接可用

无需针对新疾病进行微调，即可在多种下游任务中取得高性能，包括零样本疾病识别、图像检索和临床辅助诊断。

应用场景