知识卡片：基于眼底彩照的视网膜生物特征用于患者身份验证与检索

一句话结论：候选摘要显示，研究者训练了一个 512 维视网膜影像编码器（ConvNeXtV2 主干 + ArcFace 与 triplet loss），在鹿特丹研究中 21,851 个“患者-眼睛”身份、227,004 张眼底彩照上训练后，可跨成像设备和最长 32.6 年随访时间进行身份验证与检索；身份验证 AUROC 接近 0.9998，检索 Recall@1 约 97%–99%（未能抓取正文，具体实验细节待核实）。

事件概述或研究问题：患者身份错误会损害纵向医疗记录、研究数据库和下游临床决策。本研究提出一种视网膜生物特征系统，用于从彩色眼底图像中验证用户声称的身份，并从历史影像库中检索出正确身份。

方法/产品要点：

• 模型：512 维度量学习编码器，主干为 ConvNeXtV2，联合 ArcFace loss 与 triplet loss。
• 训练数据：鹿特丹研究中的 227,004 张图像，来自 21,851 个“患者-眼睛”身份；覆盖多种成像设备，随访最长 32.6 年。
• 数据清洗：在正式评估前用模型筛查身份不一致的影像，并进行人工裁定；发现鹿特丹研究 0.588%、UK Biobank 0.259%、AREDS 0.164% 的图像存在错误身份分配。
• 评估设置：在去除近重复图像后做“回顾性”验证；外部验证集为 UK Biobank 和 Age-Related Eye Disease Study（AREDS）。

主要结果或产业意义：

• 身份验证 AUROC：Rotterdam Study 0.9998、UK Biobank 0.9997、AREDS 0.9998。
• 身份检索 Recall@1：Rotterdam Study 99.7%、UK Biobank 97.2%、AREDS 97.6%；平均身份库规模约 4436–8510 个身份，前五名命中率至少 98.6%。
• 结果表明视网膜解剖结构可作为长期稳定的生物特征，用于保障纵向影像记录的数据完整性；对眼科影像数据库、临床试验和医院患者身份核对具有潜在价值。

为什么重要：与已有相关卡片（语言模型/RAG/数学推理）不同，本条属于基础模型在医学影像身份安全上的应用。增量意义在于：展示了一个模型能够在跨年龄、跨设备的情况下，从大规模影像库中找回同一患者的既往记录，并帮助发现和纠正影像数据库中的身份错配。

局限与不确定性：

• 未能抓取论文正文，以上内容均基于候选摘要/元数据整理，细节需待核实。
• “回顾性”验证且去除了近重复图像，真实临床实时验证场景下的表现待核实。
• 训练和评估人群主要来自特定纵向研究队列，跨人群、跨疾病、跨相机型号的泛化能力需进一步核实。
• 编码器嵌入维度、loss 权重、训练/验证划分、图像预处理等细节未从原文确认，待核实。

可用于图书/PPT/简报的角度：

• “视网膜血管网络是每个人的天然‘密码’：30 多年后仍能被 AI 认出。”
• “一张眼底照片，既查眼病，也查身份：AI 如何守护医疗记录的第一道门。”
• “从‘验证’到‘检索’：一个模型如何在大规模影像库中找到同一个人。”
• “当 AI 发现数据库里 0.6% 的图像身份贴错后，人工复核成为质量控制的关键一环。”

与既有脉络的关系：本条与已有“相关卡片”（Nemotron/AdvancedMathBench/MaLoRA）没有直接主题延续；可在“基础模型 + 医疗影像”脉络中作为新案例。

原始材料：

• 英文标题：Robust retinal biometrics for patient identity verification and retrieval across age and imaging devices
• 英文关键词（依据标题/主题整理）：retinal biometrics; patient identity verification; identity retrieval; color fundus images; metric learning; foundation-model
• 原文档 URL：https://arxiv.org/abs/2608.31094v1
• 元数据备注：Track: academic; Topics: foundation-model; Manual title: Robust retinal biometrics for patient identity verification and retrieval across age and imaging devices
• 抓取状态：未能抓取正文，以上为基于已知元数据与候选摘要整理的内容。