PathFinder AI工具在非视网膜专家中的诊断一致性评估
摘要
本研究旨在评估非视网膜专科医生（NRS）使用PathFinder人工智能辅助工具与视网膜专科医生在诊断和转诊决策上的一致性。研究纳入了202名连续接受CIRRUS平台OCT检查的患者，其中PathFinder AI模块被用于辅助诊断。结果显示，在202只眼睛中（平均年龄62.7 ± 12.3岁），PathFinder AI工具在资源有限的情况下具有显著的实时决策支持价值，但在特定疾病尤其是威胁视力的条件下，仍需进一步优化和临床监督。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- PathFinder AI工具在非视网膜专科医生中的应用显示出一定的实用价值
- 研究纳入202名连续接受CIRRUS平台OCT检查的患者
- AI工具在特定疾病尤其是威胁视力的条件下仍需进一步优化和临床监督
本站解读
这项研究揭示了人工智能在眼科诊疗中的应用潜力及其局限性。PathFinder AI工具作为一款辅助诊断系统，其在非视网膜专科医生中的应用显示出了一定的实用价值，特别是在医疗资源匮乏的地区。然而，技术路线的变迁并未完全解决所有问题，尤其是在处理复杂或威胁视力的眼科疾病时，AI工具的表现仍有待提升。这表明，尽管AI在提高诊疗效率方面有明显优势，但其在精准度和可靠性上的不足仍然是一个亟待解决的问题。
从行业竞争生态的角度来看，PathFinder AI的成功应用可能会引发其他厂商跟进开发类似产品，从而加剧市场竞争。国内外的研发管线进度显示，虽然国外在AI辅助诊断领域起步较早，但国内企业也在迅速追赶，未来几年内或将出现更多本土化的解决方案。护城河的构建不仅依赖于技术本身，更在于如何通过持续的技术迭代和临床验证来赢得医生和患者的信任。
后续需要密切留意的是，随着AI技术的不断进步，其在眼科领域的应用范围将进一步扩大。同时，监管政策的变化也将对这一新兴市场产生重要影响。此外，如何平衡AI工具的普及与专业医生的角色定位，将是未来行业发展的重要议题之一。
常见问题
这个AI工具能帮助普通医生更好地诊断眼病吗？
PathFinder AI工具在非视网膜专科医生中的应用显示出了一定的实用价值，特别是在医疗资源匮乏的地区。如有疑虑可咨询眼科医生。
AI工具在诊断眼病时有哪些局限性？
尽管AI工具在提高诊疗效率方面有明显优势，但在处理复杂或威胁视力的眼科疾病时，其表现仍有待提升。如有疑虑可咨询眼科医生。
延伸阅读
HOG-CNN：融合梯度直方图与卷积神经网络的视网膜图像分类
视网膜图像分析在早期检测和诊断糖尿病视网膜病变（DR）、青光眼和年龄相关性黄斑变性（AMD）等疾病中至关重要。然而，传统诊断流程依赖于人工解读，耗时且资源密集。为解决这些问题，研究提出了一种基于HOG-CNN混合特征提取模型的自动化临床决策支持框架。该模型将手工设计的梯度直方图（HOG）特征与预训练深度卷积神经网络EfficientNetB3学习到的表示相结合，从而捕捉视网膜图像中的局部纹理模式和高级语义特征。通过在APTOS 2019、ORIGA和IC-AMD三个公开基准数据集上的评估，HOG-CNN在二分类和多分类DR、AMD诊断以及青光眼检测中均表现出色，准确率和AUC值显著高于现有先进模型。此外，其轻量级和可解释的设计使其特别适合资源受限的临床环境。
ChatGPT在鉴别眼表肿瘤中的准确性研究
该研究旨在评估ChatGPT-4在鉴别结膜上皮内瘤变（CIN）、翼状胬肉和假性翼状胬肉中的诊断可靠性及其推荐治疗策略的能力。研究使用了60例经组织病理学确诊的病例，包括CIN、翼状胬肉和假性翼状胬肉各20例。每个病例包含详细的临床数据，如病史、裂隙灯检查结果、前段光学相干断层扫描（AS-OCT）和活体共聚焦显微镜（IVCM）描述。这些数据被整合成标准化的临床摘要并上传至ChatGPT-4进行分析。结果显示，ChatGPT-4在鉴别CIN、翼状胬肉和假性翼状胬肉方面的准确率分别为85%、75%和70%，治疗建议与专家意见的一致率为80%。尽管ChatGPT-4在某些情况下存在误诊，但其作为辅助决策工具的潜力值得关注。
融合Transformer框架SwinCup-DiscNet助力青光眼早期诊断
青光眼是全球永久性视力障碍的主要原因之一，其病理机制涉及视神经头（ONH）的进行性破坏。早期检测对于预防视力丧失至关重要。本研究提出了一种新的融合Transformer框架SwinCup-DiscNet，该框架结合了视盘和视杯特征以及基于U-Net的注意力机制，以实现更有效的青光眼筛查。通过提取视盘和视杯的形状描述符，并结合Swin Transformer编码器提取的眼底图像特征，该模型能够综合评估垂直杯盘比（CDR），并最终通过概率融合方法获得青光眼分类。实验结果表明，SwinCup-DiscNet在三个公开数据集（LAG、ACRIMA和DRISTHI-GS）上的表现优于传统的基于CNN的模型和其他仅基于分割的方法，在DSC IoU、准确率、F1分数和CDR MAE等指标上均表现出色。这证明了SwinCup-DiscNet在临床应用中的鲁棒性、可靠性和可解释性。