视网膜生物标志物在心血管疾病预测中的应用
摘要
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。
信息来源： PubMed Ophthalmology 发布于 2026年2月12日
要点速览
- 视网膜眼底成像技术在心血管疾病预测中展现出高准确性，特别是卷积神经网络在CHD检测中达到91%的AUC值。
- 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。
- 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。
本站解读
视网膜成像技术在心血管疾病预测中的应用标志着眼科与心血管医学交叉领域的重大突破。这一技术路线的变迁不仅反映了从传统临床检查到现代人工智能辅助诊断的转变，也揭示了跨学科合作在提升诊断准确性和患者管理效率方面的巨大潜力。深度学习和机器学习模型的应用，特别是卷积神经网络在CHD检测中高达91%的AUC值，展示了其在早期识别和分类心血管疾病方面的卓越性能。
然而，这种技术进步也带来了新的挑战。数据集不平衡、缺乏长期验证以及AI模型的黑箱特性，都是当前亟待解决的问题。国内外研发管线进度显示，虽然欧美国家在这一领域起步较早，但中国的眼科企业和研究机构也在迅速跟进，特别是在大数据处理和算法优化方面。未来，随着更多高质量数据的积累和算法的不断改进，视网膜成像技术有望在中国市场得到更广泛的应用。
行业竞争生态中，护城河的构建不再仅仅依赖于硬件设备，而是更多地体现在数据资源和算法能力上。因此，后续需要密切留意的是，如何通过国际合作和标准化流程来推动这一技术的进一步发展，并确保其在临床实践中的可靠性和可解释性。
常见问题
视网膜成像技术能预测哪些心血管疾病？
视网膜成像技术可以用于预测先天性心脏病、获得性心脏病、瓣膜病和心肌病等多种心血管疾病。
这项技术有哪些优势？
视网膜成像技术是一种非侵入性的方法，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，有助于早期诊断和风险评估。
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。
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。
PathFinder AI工具在非视网膜专家中的诊断一致性评估
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。