视网膜血管参数加AI用于糖尿病肾病的诊断与预后预测
摘要
研究在中国多中心收集了397名2型糖尿病合并慢性肾脏病患者的眼底图像、临床特征、肾活检诊断和随访数据,其中主队列374人来自北京解放军总医院第一医学中心肾内科,外部验证队列23人来自另外五家医院。研究用视网膜血管几何参数加7项临床特征建立诊断模型,测试集AUC为0.98、准确率为0.92;多中心验证集准确率0.91、AUC 0.95。预后模型的AUC为0.88。
信息来源: PubMed Ophthalmology 发布于 2026年10月5日
要点速览
- 研究纳入397名中国2型糖尿病合并慢性肾脏病患者,含肾活检诊断
- 诊断模型测试集AUC 0.98、准确率0.92,仅用临床数据的AUC为0.93
- 外部验证队列仅23人,准确率0.91、AUC 0.95
- 预后模型COX-RF的AUC为0.88
本站解读
视网膜是人体唯一能直接看到的微血管,研究者想看它能不能反映糖尿病肾病的情况。数据来自397名2型糖尿病合并慢性肾脏病患者,有眼底图像、肾活检诊断和随访资料。结合视网膜血管参数和7项临床特征的诊断模型,在测试集AUC为0.98、准确率为0.92;仅用临床数据的模型AUC为0.93,加两项视网膜参数的模型为0.94。多中心验证集上准确率0.91、AUC 0.95。预后模型的AUC为0.88。
局限在样本上:主队列374人来自同一家医院,外部验证队列只有23人,估计值会不稳。摘要没有说明诊断模型区分的是哪两类人,也没有给出敏感度和特异度,作者称模型准确性高、可推广,这一结论还需要更大的验证队列支持。
我们的判断是,视网膜血管参数可能为糖尿病肾病的无创评估增加一些信息,但外部验证样本太小,目前只能算概念验证,还谈不上临床工具。
常见问题
拍眼底照片能知道肾脏有没有问题吗?
这项研究提示有这种可能,但还不能用于个人。研究用眼底血管参数加临床数据建立模型,测试集AUC为0.98,但外部验证只有23人。如有疑虑可咨询眼科医生或肾内科医生。
这个模型已经可以在医院使用了吗?
还不能这样说。主队列来自北京的一家医院,外部验证队列只有23人,结果还需要更大样本验证。作者称这是一个有价值的无创工具,但验证样本小,仍需更多研究。如有疑虑可咨询眼科医生。
延伸阅读
眼底图像检测视网膜新生血管:DAPR-PSHO深度学习框架
研究者提出DAPR-PSHO深度学习框架,用于从眼底图像检测视网膜新生血管(RNV)。其中DAPSP-ResNet用可变形卷积适应不规则血管结构,并结合局部血管细节与全局视网膜背景;PeriV-Transformer与粒子群漫步优化则用于关注血管周围的细微变化并微调参数。摘要称模型准确率0.98、精确率0.985、召回率0.986,优于现有模型。
用眼底照片预测糖尿病肾病的AI模型效果评估
这项系统综述与荟萃分析评估了深度学习模型仅用眼底二维图像、或结合临床数据,检测和预测糖尿病相关肾病(DRKD)的效果。共纳入6项研究,其中3项混合模型用于荟萃分析,合并AUC为0.88,敏感度0.80,特异度0.81,但异质性极高(I² 93.7%-99.8%)。另有1项纵向研究预测5年DRKD风险,AUC为0.81。研究指出模型有潜力,但因研究数量少、设计差异大,结果普适性受限。
V-MNet:同时分割血管并分类多种眼底病的模型
研究团队提出V-MNet,一种血管引导的多任务深度学习框架,可同时完成视网膜血管分割和多种眼病分类,并用Grad-CAM热力图标出模型关注区域。研究在RFMiD、ODIR-5K、DRIVE和EyePACS-light-v2四个公开数据集上测试:血管分割的Dice系数为0.831、AUC为0.985,多病分类的平均AUC为0.978、F1值为0.935。作者称其优于单任务基线和现有先进方法。