AI辅助糖尿病视网膜病变筛查的成本效益分析
摘要
该研究通过马尔可夫决策树模型，从医疗支付者的角度评估了人工智能（AI）辅助糖尿病视网膜病变（DR）筛查与眼科医生筛查相比的成本效益。结果显示，尽管AI辅助筛查的费用更高，但其提供的健康效益显著，且增量成本效益比低于台湾人均GDP，表明其具有高成本效益。研究支持将AI辅助筛查纳入国家筛查计划。
信息来源： PubMed Ophthalmology 发布于 2026年3月1日
要点速览
- AI辅助筛查的费用高于眼科医生筛查，但提供了更高的健康效益。
- 增量成本效益比低于台湾人均GDP，表明AI辅助筛查具有高成本效益。
- 研究支持将AI辅助筛查纳入国家筛查计划，特别是在资源有限的地区。
本站解读
这项研究揭示了AI在眼科筛查中的潜力，尤其是在资源有限的地区。随着技术的进步，AI辅助筛查不仅提高了早期检测率，还减轻了对专业眼科医生的依赖，从而提升了医疗服务的效率和公平性。，传统的以医生为主导的模式正逐渐被更高效、更具成本效益的AI辅助模式所取代。
在全球范围内，各大眼科设备制造商和科技公司纷纷布局AI筛查领域，竞争日益激烈。例如，美国的IDx公司和中国的鹰瞳科技都在积极推进相关产品的研发和商业化。这些公司在数据积累和技术迭代方面不断投入，试图构建自己的护城河。然而，随着更多玩家的加入，市场竞争格局也在悄然变化，未来可能会出现更多的合作与并购。
在中国，AI辅助筛查的应用前景广阔。由于人口基数大、医疗资源分布不均，AI技术能够有效缓解基层医疗机构的压力，提高筛查覆盖率。不过，政策支持和数据安全问题仍是制约其发展的关键因素。因此，后续需要密切关注相关政策的出台以及数据隐私保护措施的完善情况。
常见问题
AI辅助筛查真的比医生筛查更好吗？
AI辅助筛查在某些情况下可以提供更高的健康效益，并且有助于提高筛查覆盖率，特别是在资源有限的地区。如有疑虑可咨询眼科医生。
这种技术在中国能用上吗？
中国已经开始尝试引入AI辅助筛查技术，但由于政策和数据安全等因素，具体应用还需进一步观察。如有疑虑可咨询眼科医生。
延伸阅读
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。
瞳孔扩张对糖尿病视网膜病变筛查的影响
该研究探讨了在资源有限的环境中，瞳孔扩张对便携式眼底相机图像可分级性和基于人工智能的糖尿病视网膜病变检测性能的影响。研究发现，使用瞳孔扩张剂后，图像的可分级性显著提高（82.1% vs. 55.6%），且AI模型在扩张后的图像上表现更佳（准确率85.15%，AUC 0.94）。然而，在低收入和中等收入国家，药物扩张可能不切实际，因此优化非扩张图像的模型校准和阈值设定至关重要。
基于梯度优化的集成模型提升医疗预测精度
本研究提出了一种新的集成学习方法——基于梯度的权重优化集成模型（GBWOEM），通过优化五个基础模型（决策树分类器、随机森林分类器、逻辑回归、多层感知机和K-近邻）的权重，以提高医疗诊断和分类问题的预测准确性。该模型在乳腺癌、糖尿病视网膜病变等五个医疗相关数据集上进行了测试，结果显示其准确率比传统集成模型如Adaboost、Catboost、GradientBoost、LightGBM和XGBoost提高了0.48%至8.26%。此外，性能指标包括ROC-AUC分析表明，GBWOEM在处理不平衡数据方面具有显著优势，为医疗应用中的预测一致性和患者结果提供了可靠的解决方案。