Py Healthcare开发的"视网膜复合病变分离诊断AI"论文被IEEE学术大会录用

医疗人工智能(AI)专业公司Py Healthcare(代表理事李英圭)宣布，与美国乔治亚州立大学神经影像·数据科学转化医学研究中心(总体主任文斯·卡尔霍恩·预东海教授研究团队)联合开发的多重视网膜病变诊断人工智能研究论文已最终被信号处理·机器学习领域享有世界权威性的学会'IEEE MLSP 2026(用于信号处理的机器学习国际工作坊)'录用，并于30日予以公布。

此次被录用的研究课题为"通过显著性引导稀疏专家路由分离共存视网膜病变(Disentangling Co-occurring Retinal Pathologies with Saliency-Guided Sparse Expert Routing)"论文。

◇ 临床现场的难题"共存病变相互干扰"……以下一代MoE结构克服

在实际临床现场，眼底图像中经常观察到老年患者或慢性病患者同时出现糖尿病性视网膜病变、青光眼、黄斑变性、视网膜前膜等多种疾病的"共存病变"病例。

然而，现有的深度学习分类模型在同一神经网络空间中统一处理多个病变特征，导致病变间干扰和信号混乱，技术上存在准确度下降的局限性。

Py Healthcare与乔治亚转化医学研究中心联合研究团队为解决这一问题，将下一代超大型AI的核心技术"稀疏混合专家(MoE)"结构进行眼科医学影像优化，创新性地加以实现。

该架构将眼底照片中的正常基础解剖学背景由始终启动的"共享专家"负责专门处理，仅精准提取疑似实际病变的区域(token)，并将其动态分配给8个专科神经网络中判别力最强的前两位专家。

通过这种方式，即使一个患者的眼睛同时出现糖尿病性视网膜病变和青光眼，各疾病专科专家也能以独立而有机的方式协作，准确分离解读病变而不产生相互干扰。

◇ 公认基准达到世界最高性能(SOTA)并验证商业化可行性

研究团队的模型在眼科多病变诊断全球标准基准"ODIR-2019"数据集评估中取得平均AUC(曲线下面积)0.912、宏观F1分数0.653的成绩，超越了现有最高性能模型(DKCNet)，实现了世界最高水平的性能(SOTA)。

特别是在数据不均衡严重、判读难度高的黄斑变性(AUC 0.953)、视网膜前膜(AUC 0.941)、青光眼(AUC 0.919)等罕见病变中也取得了压倒性的检出能力。

在商业化和盈利性方面也证明了出色的竞争力。该模型采用97.85M参数规模的轻量级结构设计，以标准显卡(RTX 3090)为基准，单张图像处理时间仅为5.23毫秒(ms，约0.005秒)。这意味着无需昂贵的大型服务器，可直接搭载在中小医院·诊所的眼底照相机或低成本的边缘计算设备上，实现即时商业化。

特别是Py Healthcare将在本研究中验证的高精度多病变分离技术应用到公司的代表性眼科AI平台"Doctor Eye(X-EYE)"，以及以视网膜血管及微细神经结构生物标志物为基础、用于认知障碍·痴呆症早期筛查的解决方案"X-dementia-M"管道中。

通过这种方式，该公司计划在进行高成本MRI或PET检查之前，仅通过简单的眼底照影就能迅速筛查痴呆症早期高风险患者，从而抢占非侵入性筛查市场。

Py Healthcare代表理事李英圭表示："通过与世界级研究机构乔治亚转化医学研究中心的国际联合研究，从结构性和数学性层面解决了医疗人员在实际一级医疗现场面临的'多重复合视网膜病变'判读瓶颈问题"，并指出"此次研究成果不仅将成为Py Healthcare代表性眼科AI平台Doctor Eye系列的助力，也将成为包括基于眼球生物标志物的痴呆症早期筛查AI'X-dementia-M'在内的眼学组学多模态解决方案获得全球医疗设备许可认证和在美国·亚洲等全球市场商业化的决定性技术跳板"。

同时，此次联合研究成果将在美国乔治亚州亚特兰大举办的"2026 IEEE MLSP"学术大会现场正式向全球研究人员和医疗设备相关人士进行发表。Py Healthcare以本次学会发表为契机，将加快推进全球合作伙伴扩大和当地临床合作关系构建。