AI模型可从眼底照相同步筛查15种眼病与全身病
摘要
研究团队开发了一套人工智能框架，能从单张眼底彩照中同步评估15种疾病风险，包括糖尿病视网膜病变、青光眼、黄斑变性等眼部疾病，以及高血压、动脉粥样硬化等有眼底表现的全身病。该系统采用CAFormer B36混合深度学习架构，结合焦点损失函数和定向过采样技术，应对罕见病样本极少（部分少于100例）的类别不平衡难题。内部图像级测试显示AUC达0.9524–0.9971，F1分数0.8968–0.9649；单中心68例真实病例初步验证中总体准确率为64.7%。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- 该AI框架可从单张眼底彩照同步评估15种眼部及全身疾病风险，涵盖糖尿病视网膜病变、青光眼、高血压视网膜病变等。
- 采用CAFormer B36混合深度学习架构，结合焦点损失函数与定向过采样，专门应对罕见病样本极少（部分<100例）导致的类别不平衡问题。
- 内部图像级测试AUC为0.9524–0.9971，F1分数0.8968–0.9649；单中心68例真实病例验证中总体准确率为64.7%（95% CI: 52.9–76.5%）。
本站解读
这项研究最实在的突破是让一张眼底照就能提示15种疾病的风险信号，而不是像现有工具那样只能盯住糖尿病视网膜病变或青光眼中的某一个。它用CAFormer B36模型加焦点损失，在内部测试中对罕见病（如训练样本不足100例的视网膜色素变性）也实现了F1分数0.8968以上的稳定判别——说明技术上确实突破了临床数据里‘少见病难识别’的老大难问题。
但图像级AUC超0.95的数据不能直接等同于临床可用：测试集按图像切分，而真实诊断必须按人判断；68例单中心验证中准确率仅64.7%，尤其因危及视力的青光眼等病例太少，结果尚无说服力。这类多病种AI短期内不会替代医生，更可能先嵌入基层筛查流程，辅助非专科人员快速标记高风险人群。
普通人无需因此改变检查习惯，眼底照仍需由专业机构规范拍摄并由医生综合解读。国内情况有待确认。
常见问题
这个AI查眼底照真能一次看出十几种病吗？
论文显示它在内部测试中能对15种疾病分别给出风险评分，AUC最高达0.9971，但这是基于单张图像的算法表现；在68例真实患者中总体准确率只有64.7%，说明离可靠临床应用还有距离。目前它属于早期验证阶段，不能替代医生诊断，如有疑虑可咨询眼科医生。
以后体检拍个眼底照就能知道有没有高血压或糖尿病吗？
理论上可行，因为高血压、糖尿病等全身病会在眼底留下特征性改变，该AI正是利用这些改变进行风险推断。但当前研究仅完成单中心68例初步验证，尚未在大规模、多中心人群中证实其稳定性。现阶段眼底照仍是辅助手段，确诊仍需结合血压、血糖等标准检查。
延伸阅读
AI模型用45°眼底照准确识别糖尿病视网膜病变
研究基于印度南部2610名40岁以上参与者的数据，训练深度学习模型分析45°和200°超广角眼底图像。结果显示，该模型在45°图像上DR分级准确率达97.24%，将漏判率从16.5%降至6.2%；Grad-CAM显示模型聚焦中央区域，血管分析发现眼底周边病变与中央血管密度、迂曲度变化相关，提示AI可捕捉亚临床血管改变。
血管引导多任务深度学习模型同步分割血管并分类眼底病
研究团队开发了V-MNet模型，首次将视网膜血管分割与多种眼底病分类整合于同一深度学习框架，并引入血管结构先验信息指导疾病分类。该模型在四个公开数据集上测试，血管分割Dice系数达0.831，多病种分类平均AUC为0.978、F1分数为0.935，显著优于单任务模型。Grad-CAM模块提供可视化病灶定位图，增强临床可解释性。
基于轻量卷积神经网络的致盲眼病筛查系统
研究团队利用89158张眼底照片，构建了一个轻量级人工智能眼病筛查模型，旨在提升基层医疗机构对致盲性眼病的筛查效率。该模型在内部验证中准确率达96.11%，外部验证平均准确率90.92%；与医生对比显示，其诊断能力相当于中级眼科医生（准确率88%），显著高于初级医生（74%）。