本网讯（通讯员 孙娇娇）近日，电子工程学院、集成电路学院蒋杰伟副教授团队与宁波市眼科医院、浙江大学、西安电子科技大学等单位合作，在Nature旗下《npj Digital Medicine》与Cell子刊《Cell Reports Medicine》相继发表研究成果，聚焦低质量裂隙灯图像角膜炎诊断与超广角眼底影像专用预训练模型。

发表于《npj Digital Medicine》的论文题为《Automated diagnosis of keratitis from low-quality slit-lamp images using an improved generative adversarial network》。我校为第一完成单位，蒋杰伟为第一作者，我校何浪副教授、西安电子科技大学朱明敏副教授与宁波市眼科医院李中文副主任医师为共同通讯作者。针对真实临床裂隙灯图像存在的运动模糊、散焦模糊和曝光异常问题，研究团队提出AKDF-LQSI框架，模拟成像退化过程构建配对训练数据，结合生成对抗网络图像增强与上下文感知分类，实现低质量图像角膜炎自动诊断。经10498张多中心图像验证，内、外部测试的角膜炎识别准确率分别为91.8%与92.5%。医生对照实验表明该框架能有效提高低年资眼科医生的诊断准确率。

图1 角膜炎自动诊断模型AKDF-LQSI与眼科医生的性能比较

发表于《Cell Reports Medicine》的论文题为《From generalization to precision: A large domain-specific pretrained model for specialized medical tasks》。李中文医生为第一作者兼共同通讯作者，蒋杰伟与浙江大学金凯特聘研究员为共同通讯作者，我校为通讯作者单位之一。针对通用基础模型与专科成像任务的适配问题，团队利用5家临床中心的87万余张未标注超广角眼底图像，以自监督学习构建专用预训练基础模型USPEC，并用32560张标注图像开展下游任务评估。模型在多项眼底诊断任务中优于RETFound、VisionFM等基础模型，跨机构数据集验证显示出良好泛化能力，同时具备少样本识别优势和较高的标注及下游训练效率。

图2 超广角眼底影像专用预训练模型USPEC及其多任务应用

《npj Digital Medicine》是Nature旗下数字医学权威期刊，重点关注医工交叉前沿研究，五年影响因子为19.7；《Cell Reports Medicine》是Cell子刊，重点发表具有转化价值的高水平研究，五年影响因子为13.0。上述研究成果依托我校电子科学与技术、计算机科学与技术、电子信息、人工智能等学科积累，展现了多学科交叉融合的研究特色，为面向真实临床需求的智能诊断研究奠定了基础。

论文链接1：https://www.nature.com/articles/s41746-026-02952-4

论文链接2：https://www.cell.com/cell-reports-medicine/fulltext/S2666-3791(26)00386-1

（供稿：电子工程学院、集成电路学院）