基于人工智能的青光眼视神经病变无相机依赖诊断
摘要
青光眼是导致不可逆视力丧失的主要原因之一，但由于其无症状进展和现有筛查方法的局限性，常常未能及时诊断。本研究旨在验证一种基于人工智能机器学习算法的无相机依赖青光眼视神经病变检测方法。研究数据来自EyePACS远程视网膜筛查系统，包括25,000张黄斑中心视网膜图像，涉及12,500名患者。通过卷积神经网络开发了该算法，并使用专家分级的图像作为金标准。经过质量过滤后，从EyePACS数据集中筛选出21,792张图像（10,986名受试者），算法在检测青光眼视神经病变方面表现出高灵敏度（90.6%）和特异性（90.5%）。在独立验证数据集上的表现同样出色，灵敏度为96.4%，特异性为85.3%。研究结果表明，该算法具有高度的准确性和可扩展性，适用于多种临床环境，有望改善青光眼筛查途径，提高其可及性和效率。
信息来源： PubMed Ophthalmology 发布于 2026年1月22日
要点速览
- 研究开发了一种基于人工智能的无相机依赖青光眼视神经病变检测算法。
- 算法在EyePACS数据集上的灵敏度为90.6%，特异性为90.5%。
- 该算法在独立验证数据集上的灵敏度为96.4%，特异性为85.3%。
本站解读
这项研究揭示了人工智能在眼科疾病诊断中的巨大潜力，特别是对于青光眼这种早期无明显症状但后果严重的疾病。技术路线的变迁不仅体现在算法性能的提升上，更在于其对不同成像设备的兼容性，即所谓的“无相机依赖”设计。这意味着无论是在城市大型医院还是偏远地区的基层诊所，只要具备基本的成像设备，就能实现高效、准确的青光眼筛查。这无疑将打破传统筛查方式的地域限制，使更多患者能够受益。
然而，这一技术进步也预示着行业竞争格局的微妙变化。一方面，那些拥有先进AI技术和丰富医疗数据资源的企业将在未来的市场中占据更有利的位置；另一方面，传统的医疗器械制造商可能需要重新审视自己的产品线和技术壁垒，以应对新兴技术带来的挑战。此外，国内外的研发管线进度显示，虽然美国的研究团队在这项技术上取得了显著进展，但中国的眼科企业也在积极布局，试图通过本土化创新来缩小与国际领先水平的差距。
后续值得关注的是，随着这类AI辅助诊断工具逐渐进入临床应用阶段，如何确保其长期稳定性和安全性将成为新的课题。同时，监管政策的调整以及医生和患者对其接受程度的变化也将是影响其普及速度的关键因素。
常见问题
这个新的人工智能技术能帮助我更快地发现青光眼吗？
这项技术确实可以提高青光眼的早期检测率，尤其是在没有明显症状的情况下。如有疑虑可咨询眼科医生。
这种技术是否已经在医院里使用了？
目前这项技术还在研究和验证阶段，尚未广泛应用于临床。未来可能会逐步推广到更多的医疗机构。
延伸阅读
中国人类表型组计划：视网膜成像与表型提取标准化协议
视网膜成像在评估眼部及全身健康中具有重要意义，尤其在大规模人群研究中展现出巨大潜力。然而，缺乏标准化和自动化的技术手段来从视网膜图像中提取影像衍生表型（IDPs）一直是主要障碍。为解决这一问题，中国人类表型组项目（CHPP）开发了一套全面的标准化操作程序（SOP），包括质量控制（QC）、预处理以及基于人工智能（AI）的自动化或半自动化IDP提取方法。该协议旨在提高IDP提取的准确性和效率，从而促进大规模人群数据的标准化分析。这项工作不仅为眼科相关学科提供了宝贵见解，还为未来利用视网膜成像数据的研究奠定了基础。
视网膜生物标志物在心血管疾病预测中的应用
心血管疾病（CVDs）是全球死亡的主要原因，先天性心脏病（CHD）、获得性心脏病（AHD）、瓣膜病和心肌病显著增加了发病率。视网膜眼底成像作为一种非侵入性技术，能够捕捉微血管变化，作为系统性心血管功能障碍的生物标志物。本研究系统回顾了2015年至2025年间发表的相关文献，评估了不同疾病焦点、成像模式、分析方法及诊断性能。结果表明，深度学习和机器学习模型应用于视网膜眼底图像，在检测和分类CVDs方面表现出较高的准确性。卷积神经网络在CHD检测中达到了91%的AUC值，而混合多模态方法提高了AHD和瓣膜病的预测敏感性。心肌病与血管扭曲和微出血相关，可通过自动化图像分析量化。新兴方法如基于Transformer的模型和Segment Anything Model (SAM) 的医疗影像适应，有望提高通用性和可解释性。尽管存在数据集不平衡、纵向验证有限和AI模型黑箱问题，视网膜成像仍具有作为可扩展、非侵入性工具的巨大潜力。
基于深度学习的非洲裔原发性开角型青光眼筛查模型
原发性开角型青光眼（POAG）是一种导致失明的重要疾病，尤其在非洲裔人群中发病率较高。然而，现有的AI筛查模型数据集中，非洲裔人群的数据代表性不足。本研究开发了一种基于深度学习的POAG筛查模型，使用了来自Primary Open-Angle African American Glaucoma Genetics (POAAGG)项目的64,129张眼底照片，包括1782例病例和682例对照组。该模型通过二分类器选择最具信息量的六张图像，并利用Vision-Transformer预测每张图像的POAG概率，最终通过平均概率进行诊断（AUC=0.925）。该模型在REFUGE-1数据集（中国人群）上也进行了验证（AUC=0.920），显示出其在不同人群中的普适性和有效性。该模型有望在初级保健机构及资源匮乏地区实现POAG的大规模筛查。