人工智能在基层医疗分诊中的应用现状综述
摘要
研究系统梳理了2013至2026年间全球17项用于基层医疗分诊的人工智能系统，覆盖12个国家，其中14项来自高收入国家。多数系统（14/17）面向医生提供决策支持，无一实现完全自主运行；功能以诊断或筛查分诊为主（7项），其次为优先级排序和转诊路径推荐。AI辅助下，眼底图像识别准确率从82.8%提升至91.1%，皮肤镜管理敏感度从72.9%升至94.2%。但模型性能差异大，准确率跨度达41.2%–98.28%，且仅4项完成外部验证，无一项开展前瞻性随机对照试验或评估患者结局。
信息来源： PubMed Ophthalmology 发布于 2026年10月12日
要点速览
- 纳入的17项AI分诊研究中，14项为医生端决策支持系统，无一实现全自动分诊。
- 诊断或筛查类分诊功能最常见（7项），其次是优先级排序与转诊路径推荐（各4项）。
- AI辅助下眼底图像识别准确率提升至91.1%，但独立模型性能有时低于医生，准确率范围宽达41.2%–98.28%。
本站解读
这项综述揭示了一个现实：当前AI分诊工具不是替代医生的‘黑箱’，而是嵌入临床流程的‘助手’，尤其服务于非专科医生——比如基层全科医生面对疑似眼底病变患者时，AI可将眼底图识别准确率从82.8%提至91.1%，但前提是医生仍需判断结果是否可信、是否需转诊。研究设计层面存在明显短板：17项中11项仅做内部验证，无一测量患者实际获益（如视力保留、就诊延迟缩短），更无前瞻性证据支撑其改变诊疗路径。这意味着，即便某款AI工具在论文里表现亮眼，离写进诊疗规范还有很长一段路。
对普通人而言，无需因这项研究调整就医习惯——它不指向任何新检查、新流程或新提醒。AI分诊尚未进入真实世界的大规模临床部署，更未形成标准化服务。国内情况有待确认。
常见问题
AI能帮我自动判断眼睛问题严不严重吗？
目前还不能。研究显示所有AI分诊系统都需医生参与，没有一款能独立完成判断；它们主要帮医生看眼底图或皮肤镜图像，把准确率从82.8%提高到91.1%，但最终是否严重、要不要转诊，仍由医生决定。如有疑虑可咨询眼科医生。
我在社区医院用AI查眼睛，结果准不准？
现阶段基层医院基本不会单独依赖AI出结果。研究发现，这些AI工具大多只在实验室或单中心做过测试，仅4项经过外部验证，且无一在真实门诊中验证过患者结局。所以目前不存在已落地、可普遍使用的AI眼病分诊服务。
延伸阅读
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%）。
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。
AI眼病诊断研究临床转化率低
这项系统综述分析了2020年至2025年8月间发表的43篇基于眼底照和OCT图像的深度学习眼病诊断研究，发现虽有超95%的模型宣称高准确率，但仅14.3%完成真正临床验证，23.1%未公开代码或实现细节。研究提出‘转化准备度框架’，整合技术透明度、验证严谨性与性能报告，为眼科AI落地提供评估标准。