医疗AI实验室近期在糖尿病视网膜病变（糖网）筛查场景完成一轮工程化验证。与单纯追求模型指标不同，我们把链路拆成三段：图像质量门控、分级推理、转诊阈值决策。
数据来自某区域筛查项目的回顾性眼底照，按国际分级标准重新标注并剔除标注分歧样本。前置门控负责识别模糊、曝光过度、睫毛与镜头污渍遮挡等不可判读图像，直接输出“建议重拍”，避免废片进入分级网络后产生假阴性。
要点：
- 在可判读子集上，分级模型优先调优“需转诊级别”的敏感度，阈值取保守一侧，宁可多转不放过；代价是转诊率上升，需在基层阅片产能与漏诊风险之间找平衡点。
- 门控加入重拍流程后，可判读率由约七成提升至八成以上，同时无效推理量明显下降，边缘设备单张耗时保持可控。
下一步计划：与两家基层机构开展前瞻性小样本部署，与眼科医师双盲比对，重点分析漏诊病例的级别分布，并评估单张阅片时间能否稳定压缩。
评论