眼科AI研究报告人群信息吗?268项研究中仅96项报告种族等
摘要
一项回顾性研究检索2020年6月至2023年6月15种期刊的1005篇眼科AI文章,纳入268项研究:122项报告生理性别,35项报告社会性别,96项报告种族、民族或血统。报告种族等信息的比例,2020年46%,2021年24%,2022年44%,2023年35%。作者建议期刊按NIH指南要求报告人群数据。
信息来源: PubMed Ophthalmology 发布于 2026年9月25日
要点速览
- 回顾性研究,筛查2020年6月至2023年6月15种期刊的1005篇文章,纳入268项研究
- 268项研究中,122项报告生理性别,35项报告社会性别,96项报告种族、民族或血统
- 报告种族、民族或血统的比例:2020年46%,2021年24%,2022年44%,2023年35%
- 作者建议期刊按NIH指南要求报告人群数据,以便了解AI工具的普适性
本站解读
这项研究查的不是某种眼病的疗效,而是眼科AI论文有没有写清研究对象是谁。研究筛查了15种期刊的1005篇文章,纳入268项研究:122项报告了生理性别,35项报告了社会性别,96项报告了种族、民族或血统。报告种族等信息的比例,2020年是46%,2021年降到24%,2023年为35%。
这是一项回顾性的文献分析,统计的是论文有没有写,不是模型好不好用。原文还说明,是否符合指南是按论文用的措辞判断的,并不说明研究背后的概念或评估方法经过了核实。摘要没有解释各年份比例变化的原因。
我们的判断是,这些数字说明眼科AI论文里的人群信息经常缺失,读者很难判断一个模型对不同人群是否同样适用。国内情况有待确认。
常见问题
眼科AI程序对我这样的人也准吗?
这项研究没有回答某个程序准不准,但提示这个问题往往难以判断。268项眼科AI研究中,只有96项报告了种族、民族或血统,35项报告了社会性别。信息缺失,就不容易知道模型对不同人群的表现是否一致。作者希望期刊要求报告这些数据。如有疑虑可咨询眼科医生。
这项研究和普通人有什么关系?
关系不大,主要面向研究者和期刊。它统计的是眼科AI论文有没有写明研究对象的性别、种族等信息,并不评价具体的诊断或治疗方法。间接的意义在于,人群信息写得越清楚,越容易判断AI工具适用于谁。
延伸阅读
眼科AI从诊断准确率到临床应用:一篇综述的观点
这篇综述指出,眼科人工智能的一个持续难题是,擅长图像分类的系统很少带来患者结局的改善。作者认为主要障碍包括数据偏倚、域偏移和标签噪声,缺少前瞻性随机部署试验,也常忽视以患者为中心的目标、成本效益和公平性。解决需要严格的外部验证、明确的决策标准和真实临床中的持续监测。
人工智能在神经眼科影像中的应用:叙述性综述
这是一篇叙述性综述,梳理已发表研究中人工智能在部分神经眼科疾病里的应用,重点讨论筛查、诊断和病情进展评估中的优点、局限与挑战。作者认为,深度学习和卷积神经网络在解读眼底照相、光学相干断层扫描(OCT)和磁共振成像方面显示出潜力,可用于视神经乳头异常的筛查、特征描述和监测,但多数应用仍处于研究、回顾性验证或概念验证阶段。
人工智能预测2型糖尿病视网膜病变风险:系统综述
这篇系统综述检索了PubMed、Scopus、Web of Science和ScienceDirect中2016年1月至2025年12月的研究,汇总人工智能预测2型糖尿病患者糖尿病视网膜病变风险的模型。检索到1040条记录,纳入8项研究。极端梯度提升、随机森林等集成模型表现较优,曲线下面积(AUC)在0.68至0.97之间。多数研究只做了内部验证,外部验证基本缺失。