AI眼底糖网筛查定制：图像质控与分级阈值

在基层筛查场景里，眼底图像的可用性往往比模型本身更早成为瓶颈。本期医疗AI实验室围绕「先质控、再分级」的两段式流程做了一轮实验性验证：前置模块输出模糊、过暗、反光、遮挡四类质量标签与可读性评分，只有通过阈值的图像才进入糖网分级模型，低分图像直接转人工复核，从流程上把不可读样本挡在下游之外。

进展与数据：
· 在约1.2万张脱敏眼底图上，质控模块对不可读图像的召回率约93%，分级模型的假阳性主要来源被收敛到可解释的质量缺陷类别上，便于回溯。
· 分级采用0—4级五分类，针对2级以上转诊级病变，在图像可读子集上敏感度约92%；同时输出置信度分档，低置信样本进入复核队列而非直接出报告。

下一步计划把质控与分级封装为可配置的级联服务，通过只读通道接入院内PACS，并补齐不同厂商眼底相机的域偏移评测，避免阈值在单一设备上过拟合。