印度基层糖尿病视网膜病变筛查模式对比研究
摘要
该研究在印度旁遮普邦农村地区比较了三种糖尿病视网膜病变（DR）筛查方式：非眼科医生主导的健康与保健中心（HWC）筛查、离线AI辅助社区筛查、标准转诊模式。共纳入600名30岁以上糖尿病患者，以专科医生判读为金标准。结果显示，非眼科医生主导模式对可转诊性DR（RDR）的敏感性达95.8%，特异性93.1%；离线AI模型敏感性为93.3%，但特异性仅85.1%，且图像不可判读率达38%。研究认为前者更准确、更可行。
信息来源： PubMed Ophthalmology 发布于 2026年3月18日
要点速览
- 研究在印度农村基层开展，纳入600名30岁以上糖尿病患者，比较三种DR筛查模式的诊断准确性。
- 非眼科医生主导的HWC筛查对可转诊性DR敏感性为95.8%，特异性93.1%；离线AI模型敏感性93.3%，但特异性仅85.1%，图像不可判读率达38%。
- 结论指出非眼科医生主导模式更具准确性和操作可行性，离线AI模型受限于图像质量和二分类输出，目前尚难独立应用。
本站解读
这项研究说明，在资源有限地区，经过培训的基层医护人员能可靠地开展糖尿病视网膜病变初筛——对需要转诊的严重病变（RDR），其识别准确率高达95.8%，接近专科水平，且图像失败率仅8%。相比之下，离线AI模型虽敏感性不低（93.3%），但因白内障和图像质量差导致38%的图像无法判读，特异性也明显偏低，说明当前技术尚难脱离人工质控独立运行。
研究设计务实：在真实基层场景中开展，样本量600例，采用双盲人工判读加专家仲裁，方法扎实。但结果外推需谨慎——印度农村的设备条件、操作者培训体系、糖尿病人群特征未必适用于其他地区。论文尚未证明这些模式能真正降低致盲率或改变转诊后诊疗路径，从数据到临床常规仍需配套流程、质控和随访验证。
普通人无需因此改变行为，糖尿病患者照常按医嘱定期检查即可；如有疑虑可咨询眼科医生。国内情况有待确认。
常见问题
用手机AI查眼底，真能代替医生看糖尿病眼病吗？
目前还不能替代。这项研究里离线AI模型虽然能发现93.3%的需转诊病例，但有38%的眼底照片因白内障或成像差而无法分析，且会把更多正常人误判为异常（特异性仅85.1%）。它更适合辅助筛查，而非独立诊断。如有疑虑可咨询眼科医生。
没有眼科医生的地方，让社区医生查眼底靠谱吗？
这项研究显示是靠谱的。在印度基层，经培训的非眼科医生在健康与保健中心开展筛查，对需转诊的糖尿病视网膜病变识别准确率达95.8%敏感性和93.1%特异性，图像失败率仅8%。这说明系统化培训+合适设备可支撑基层有效初筛。
延伸阅读
大语言模型用于糖尿病视网膜病变患者教育的评估
研究对比了ChatGPT、Gemini、DeepSeek、Doubao、Copilot和Perplexity六款大语言模型在回答50个标准化糖尿病视网膜病变患者问题时的表现。由五名评审员依据安全、准确、共情、信息质量（DISCERN、JAMA等）、透明度和可读性等维度评分。结果显示，各模型安全响应率在86.0%至94.0%之间，准确性普遍较高，但共情能力差异明显；Perplexity在信息质量指标上得分最高，Gemini可读性最佳，但所有模型的Flesch阅读易度分均低于推荐阈值。
超广角OCTA联合临床指标识别2型糖尿病早期视网膜病变
该研究纳入1676名2型糖尿病患者，其中1047人用于训练、453人用于内部测试、176人来自社区的外部验证集。研究结合超广角光学相干断层扫描血管成像（UW-OCTA）图像与临床指标（如病程、糖化血红蛋白、低密度脂蛋白胆固醇和收缩压），构建多模态深度学习模型。结果显示，多模态模型在内部和外部验证集中AUC分别为0.921和0.849，优于仅用图像或仅用临床数据的模型，提示其有助于无创识别早期糖尿病视网膜病变。
FedMediFormer-XAI：面向糖尿病的联邦多模态AI框架
该研究提出FedMediFormer-XAI框架，整合联邦学习、多模态Transformer、扩散模型数据增强、图神经网络（GNN）药物推荐和可解释AI（XAI），用于糖尿病预测与个性化用药推荐。系统融合临床记录、眼底图像、动态血糖监测、可穿戴设备数据等多源异构信息。在代表性实现中，疾病预测准确率达94.2%，AUC-ROC为0.96；药物推荐模块NDCG达0.91。