基于深度学习的非洲裔原发性开角型青光眼筛查模型
摘要
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。
信息来源： PubMed Ophthalmology 发布于 2026年2月6日
要点速览
- 研究开发了一种基于深度学习的POAG筛查模型，使用了64,129张眼底照片，包括1782例病例和682例对照组。
- 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。
- 该模型在REFUGE-1数据集（中国人群）上也进行了验证，显示出其在不同人群中的普适性和有效性。
本站解读
这项研究揭示了AI技术在眼科领域的巨大潜力，特别是在解决特定人群健康不平等问题上的应用。长期以来，非洲裔人群在POAG筛查中被忽视，这不仅是一个技术问题，更是医疗资源分配不均的问题。通过开发专门针对这一群体的深度学习模型，研究人员不仅提高了筛查的准确性，还为未来的技术路线提供了新的方向。这种以特定人群为中心的研发策略，可能会成为未来AI医疗领域的一个重要趋势。
从行业竞争生态来看，这项研究展示了数据多样性和质量的重要性。传统的AI模型往往依赖于大规模但单一的数据集，而此次研究则强调了数据代表性的价值。随着更多类似的研究出现，数据采集和处理将成为各大厂商的核心竞争力之一。此外，该模型在中国人群数据集上的表现也表明，跨种族的通用性是未来AI医疗产品的重要考量因素。
国内外研发管线方面，目前已有多个团队在探索AI在眼科疾病筛查中的应用，但能够同时兼顾不同人群需求的产品仍较为稀缺。因此，后续需要密切关注的是，如何将这些研究成果转化为实际应用，并确保其在不同医疗环境下的可行性和可靠性。此外，随着技术的不断进步，如何平衡数据隐私与公共健康利益也将成为一个重要议题。
常见问题
这个模型能用于哪些地方？
该模型可以在初级保健机构及资源匮乏地区实现POAG的大规模筛查，有助于早期发现和治疗。
这个模型对其他人群有效吗？
该模型在中国人群数据集上也进行了验证，结果显示其具有较好的普适性和有效性。
延伸阅读
视神经头生物力学在青光眼视野缺损分类中的应用
该研究旨在评估视神经头（ONH）的生物力学特性，通过组织应变量化是否能提高对青光眼患者进行视野（VF）损失模式分类的能力。研究纳入了249名青光眼患者，通过自动分割和数字体积相关计算神经组织和LC应变，并将这些特征输入PointNet模型进行分类任务。结果显示，加入应变信息后，模型在分类特定视野缺损时性能显著提升，AUC从0.83±0.02提高到0.87±0.02。此外，研究发现应变敏感区域主要集中在下部和颞下缘，且随着视野损失严重程度增加而扩展。这表明ONH应变在预测青光眼视野损失方面具有重要作用。
基于人工智能的青光眼视神经病变无相机依赖诊断
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。
基于房水外泌体光谱分析的原发性开角型青光眼诊断新方法
原发性开角型青光眼（POAG）是一种常见的神经退行性疾病，可导致不可逆的视神经损伤。目前的诊断方法如眼内压测量和光学相干断层扫描存在敏感度低和个体间差异大的问题。本研究提出了一种基于房水外泌体光谱分析的新诊断平台。通过验证房水样本中外泌体的存在，并使用抗体功能化基底进行选择性捕获，再利用金纳米颗粒生成拉曼信号。共采集了7600个光谱数据用于训练卷积神经网络（CNN）模型，以区分健康对照组和青光眼患者。该模型在二分类任务中达到了0.96的AUC值和91%的预测准确率。这一系统通过集成免疫测定法和人工智能驱动的分类技术，实现了快速、个性化的诊断，克服了样本量限制，展示了眼部液体来源的细胞外囊泡在神经退行性疾病诊断中的潜力。