印度非眼科医生主导与AI辅助糖尿病视网膜病变筛查的实效性研究
摘要
该研究在印度农村地区评估了三种糖尿病视网膜病变（DR）筛查模式：非眼科医生主导的健康和福利中心（HWCs）筛查、基于智能手机的离线AI辅助社区筛查以及标准转诊护理。结果显示，非眼科医生主导的模型在DR检测中表现出86.4%的敏感性和94.3%的特异性，对于可转诊的DR（RDR），敏感性达到95.8%，特异性为93.1%。而离线AI辅助模型在RDR检测中的敏感性为93.3%，特异性为85.1%，但因图像质量问题导致不可分级率高达38%。研究表明，非眼科医生主导的筛查在准确性和操作可行性方面更优，而AI辅助筛查在社区使用中有潜力但需解决图像质量和技术限制。
信息来源： PubMed Ophthalmology 发布于 2026年3月18日
要点速览
- 非眼科医生主导的筛查模型在DR检测中表现出86.4%的敏感性和94.3%的特异性。
- 离线AI辅助筛查在RDR检测中的敏感性为93.3%，特异性为85.1%，但不可分级率为38%。
- 研究建议整合两种筛查方法以增强资源有限地区的DRS覆盖范围。
本站解读
这项研究揭示了糖尿病视网膜病变筛查技术路线变迁的一个重要趋势。非眼科医生主导的筛查模式在印度农村地区的实际应用中显示出更高的准确性和操作可行性，这表明未来在资源有限的地区，这种模式可能成为主流。相比之下，尽管离线AI辅助筛查展示了巨大的潜力，但其目前受限于图像质量和二分类输出的问题，使得其在实际应用中仍面临挑战。
从行业竞争生态来看，非眼科医生主导的筛查模式可能会削弱传统眼科医生在初级筛查中的角色，从而改变现有的医疗格局。然而，这也为眼科医生提供了更多专注于复杂病例的机会。与此同时，AI技术的发展虽然尚未成熟，但其在提高筛查覆盖率方面的潜力不容忽视。国内外的研发管线也在不断推进，例如中国的一些企业已经在AI辅助诊断领域取得了显著进展，但整体上仍需进一步优化。
后续需要密切留意的是，随着技术的进步和政策的支持，非眼科医生主导的筛查模式是否会在中国等其他国家和地区得到广泛应用。此外，AI技术如何克服当前的技术瓶颈，提高图像质量和分类准确性，将是决定其未来市场地位的关键因素。
常见问题
这个研究对糖尿病患者有什么意义？
这项研究显示，非眼科医生主导的筛查模式在准确性和操作可行性方面表现更好，有助于提高糖尿病视网膜病变的早期发现率。如有疑虑可咨询眼科医生。
AI辅助筛查有哪些局限性？
AI辅助筛查的主要局限在于图像质量和二分类输出问题，导致不可分级率较高。这些问题需要进一步的技术改进才能更好地应用于临床。
延伸阅读
优化深度学习技术提升糖尿病视网膜病变检测
糖尿病视网膜病变（DR）是导致糖尿病患者视力丧失的主要原因之一，早期检测至关重要。现有的机器学习和优化方法在处理高维、异质性和复杂的视网膜图像时面临挑战。本研究提出了一种动态蝗虫优化算法（DGOA），通过自适应参数控制选择最具区分性的特征，并结合集成学习分类器，提高了模型的鲁棒性和准确性。该方法在EyePACS数据集上进行了验证，结果显示其在计算效率、泛化能力和物理信息特征提取方面具有显著优势。
糖尿病视网膜病变早期诊断的自动化系统
该研究旨在开发一种基于眼底图像的自动化诊断系统，用于早期检测糖尿病视网膜病变（DR）。通过识别渗出物、出血和微动脉瘤等特征，结合小波变换边缘增强、高斯混合模型聚类以及机器学习算法（如随机森林分类器和多层感知机神经网络）进行特征提取和分类。研究使用了IDRiD数据集和Kaggle数据集中的眼底图像，结果显示，基于随机森林的分类系统在检测DR病灶方面达到了95.08%的敏感性、86.67%的特异性和95.20%的整体准确性。这一方法为大规模筛查提供了高精度、自动化且可扩展的解决方案，尤其适用于眼科专业资源有限的地区。
多模态多任务AI模型优化角膜塑形镜适配
本研究开发了一种多模态多任务人工智能（AI）模型，旨在通过分析角膜地形图模式和预测眼轴长度（AL）增长，同时输出最佳的角膜塑形镜（Ortho-K）参数及预测的眼轴增长概率，以支持临床决策。该模型基于3529只近视眼的数据，包括Euclid和Alpha设计的Ortho-K镜片。研究结果显示，该模型在分类角膜地形图模式、预测眼轴增长率以及推荐镜片参数方面表现优异，为Ortho-K镜片的适配提供了有价值的决策支持。