AI辅助眼底成像在儿童青光眼初步筛查中的应用
摘要
该研究旨在评估基于智能手机的AI辅助眼底成像技术在儿童青光眼筛查中的可行性和性能。研究纳入了21名不同类型的青光眼患儿，通过对比AI分析结果与临床评估，发现AI系统在垂直杯盘比（VCDR）上的95%一致性界限为-0.15至+0.23。对于8名具有结构性视神经改变的患儿，AI推荐转诊7例，并未对无此类改变的患儿进行转诊推荐。研究结果表明，AI辅助的眼底成像技术可能有助于识别具有结构性视神经改变的儿童青光眼病例。
信息来源： PubMed Ophthalmology 发布于 2026年2月1日
要点速览
- 研究评估了基于智能手机的AI辅助眼底成像技术在儿童青光眼筛查中的可行性和性能。
- AI系统在垂直杯盘比（VCDR）上的95%一致性界限为-0.15至+0.23。
- AI推荐转诊7例具有结构性视神经改变的患儿，未对无此类改变的患儿进行转诊推荐。
本站解读
这项研究揭示了AI辅助眼底成像技术在儿童青光眼筛查中的潜力，标志着眼科诊断技术路线的重大变迁。随着移动医疗和人工智能技术的融合，传统的依赖于专业设备和医生经验的筛查模式正在被颠覆。这种便携式、低成本的解决方案不仅提高了筛查效率，还扩大了医疗服务的覆盖面，尤其在中国这样地域广阔、医疗资源分布不均的国家，其意义尤为重大。
从商业格局来看，这一技术的发展将重塑眼科诊疗市场的竞争生态。传统眼科器械制造商需要重新审视自身的护城河，而新兴的AI医疗公司则看到了新的市场机遇。国内外的研发管线也在加速推进，例如美国的IDx公司和中国的鹰瞳科技都在积极布局相关领域。然而，尽管前景光明，但技术的成熟度和临床验证仍需时间，未来还需关注监管政策的变化以及大规模临床试验的结果。
常见问题
这个AI技术能帮助我孩子早期发现青光眼吗？
这项技术可以帮助识别具有结构性视神经改变的儿童青光眼病例，但最终诊断仍需由专业眼科医生进行。如有疑虑可咨询眼科医生。
这项技术什么时候可以普及使用？
目前这项技术还在研究阶段，具体普及时间取决于进一步的临床验证和监管审批。
延伸阅读
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。
高粘度硅油在视网膜脱离手术中的优势
本研究通过回顾性分析，比较了1000 cS和5000 cS两种不同粘度的硅油作为填充剂在初次黄斑脱离的孔源性视网膜脱离（RRD）手术后的效果。研究使用人工智能（AI）辅助的光谱域OCT图像分析方法，评估了最佳矫正视力（BCVA）、眼内压（IOP）、乳化情况以及视网膜结构生物标志物如视网膜下液（SRF）、视网膜内液（IRF）和高反射点（HRF）。结果显示，尽管两组在BCVA和解剖学结果上无显著差异，但低粘度硅油组的乳化率（66% vs. 7%）和高眼压发生率（8例 vs. 4例）均显著高于高粘度硅油组。此外，低粘度硅油组的HRF数量也显著增加。结论表明，高粘度硅油具有更低的乳化率和炎症反应，且不影响视觉效果。AI辅助的OCT分析为监测硅油相关并发症提供了准确、自动化的手段。
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
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。