跳转到主要内容
学术研究

眼底照片AI筛青光眼:1707张公开图像的回顾性研究

PubMed Ophthalmology (2026年9月1日)

摘要

巴基斯坦Al-Shifa Trust眼科医院团队用来自五个公开数据集的1707张眼底照片,比较了EfficientNetV2b0等五种卷积神经网络,把图像分为青光眼与健康两类。这是回顾性研究。表现最好的EfficientNetV2b0曲线下面积(AUC)0.98,准确率93%,敏感度97%,精确率89%,F1分数93%。作者认为该方法适合大规模筛查和资源不足的环境。

信息来源: PubMed Ophthalmology 发布于 2026年9月1日

要点速览

  • 回顾性研究,使用来自五个公开数据集的1707张眼底照片,分为青光眼和健康两类
  • 比较了EfficientNetV2b0、Xception、InceptionV3、VGG、ResNet50
  • EfficientNetV2b0最好:AUC 0.98,准确率93%,敏感度97%,精确率89%
  • 作者认为方法适合大规模筛查和资源不足的环境,摘要未提供真实筛查现场的数据

本站解读

这项研究让计算机程序学会从眼底照片里区分青光眼和健康眼。研究用了来自五个公开数据集的1707张图像,比较了五种深度学习网络,其中EfficientNetV2b0表现最好:曲线下面积(AUC)0.98,准确率93%,敏感度97%,精确率89%。精确率指的是被程序判为青光眼的图像中确实是青光眼的比例。

证据性质要看清:这是回顾性研究,数据全部来自已有的公开图像库,不是在真实门诊或筛查现场做的前瞻性检验。摘要说方法在多个数据集上得到验证,但没有给出各数据集分开的结果。作者关于适合大规模筛查、减轻医生负担的说法属于对用途的展望,摘要里没有筛查现场的数据支持。

我们的判断是,这是一项算法层面的验证,说明用公开图像训练的模型在这些图像上有较高的区分能力,但距离在筛查现场使用还需要真实人群的检验。这一结论在国内人群中是否成立有待确认。

常见问题

AI看眼底照片能确诊青光眼吗?

不能这样理解。这项研究是用公开图像库里的1707张眼底照片检验程序,最好的模型AUC为0.98、敏感度97%、精确率89%,说明在这些图像上区分能力较高。但研究是回顾性的,并非在真实门诊中检验,结果也不是对个人的诊断。如有疑虑可咨询眼科医生。

这种AI筛查现在能在社区用上吗?

从这项研究看不出来。作者认为该方法适合大规模筛查和资源不足的医疗环境,但研究只是用已有的公开图像做回顾性评估,没有报告在社区或基层筛查现场的使用结果。实际应用前还需要在真实场景中进一步检验。如有疑虑可咨询眼科医生。

相关病种 青光眼

延伸阅读

学术研究

AI辅助青光眼筛查:关键在转诊和后续诊疗是否衔接

这是一篇讨论AI辅助青光眼筛查如何落地的文章。文章指出,基于眼底照片的AI已在社区和基层眼科服务中被探索,但屈光间质混浊和图像质量差会限制判读,不加选择的筛查可能带来不必要的转诊,许多被识别需进一步评估的人也未必走完转诊流程。作者认为AI应是筛查策略的一部分而非临床评估的替代,建议基于风险选择人群、及早识别无法分级的图像,便携式视野检查的作用尚待确立。

#青光眼#人工智能#筛查 +1
PubMed Ophthalmology
学术研究

深度学习算法在眼底照相中识别青光眼的外部验证

研究对外部人群队列(鹿特丹研究,50-80岁共9837名参与者、19088只眼)验证了一种基于彩色眼底照相(CFP)的深度学习算法,该算法曾获AIROGS挑战赛冠军,训练数据为101442张黄斑中心CFP。结果显示:在95%特异性下,眼水平敏感度为70.6%,ROC-AUC为0.911;真阳性者视野损害更重(平均偏差-10.8 vs -5.8 dB);54%的真阳性者在确诊前4–7年即被算法标记;视盘中心CFP比黄斑中心CFP判别性能略优;视神经乳头显示不全显著降低阳性预测值。

#青光眼#人工智能#眼底照相 +1
PubMed Ophthalmology
学术研究

视网膜年龄差在青光眼患者中的影响因素:晶状体状态最突出

视网膜年龄差(RAG)是AI由眼底照片预测的视网膜年龄与实际年龄之差。这项回顾性观察研究分析了山梨大学医院283只眼的45度眼底彩照,平均实际年龄65.5岁,平均预测视网膜年龄59.9岁,平均RAG为-5.7岁。有晶状体眼的RAG大于人工晶状体眼,视力越差、远视越明显,RAG越大;青光眼严重程度与RAG无显著关联。

#视网膜年龄差#青光眼#眼底照片 +1
PubMed Ophthalmology