多标签AI模型可单张眼底照同步筛查九种眼病
摘要
研究团队开发了一种多任务ConvNeXt深度学习模型，使用23.6万张眼底彩照（来自17个异质来源）训练，可同时识别糖尿病视网膜病变、年龄相关性黄斑变性等九种眼底状况。内部验证（47,229张图）显示AUROC在0.943–0.989之间；外部验证（4055张图，来自东亚健康筛查中心）中，八种病症阴性预测值（NPV）≥95.6%，其中糖尿病视网膜病变NPV达99.3%。
信息来源： PubMed Ophthalmology 发布于 2026年9月25日
要点速览
- 模型基于236,242张眼底彩照训练，可同步检测九种眼底状况，包括糖尿病视网膜病变、AMD、青光眼可疑者等
- 采用多任务ConvNeXt架构，端到端训练，阈值依据Youden指数在调优集上预设
- 外部验证在4055张独立图像上完成，来自东亚太健康筛查中心，且该中心数据未参与模型开发
本站解读
这项研究证明，一个AI模型能用一张普通眼底照片，同时可靠地初筛九种常见眼底病——不是只盯一种病，而是像经验丰富的技师一样‘一眼扫全’。它在内部验证中对视网膜血管阻塞的AUROC高达0.989，外部验证中对糖尿病视网膜病变的阴性预测值仍达99.3%，说明模型泛化能力较强，不是‘过拟合’的纸面成果。
但这是算法性能验证，不是临床流程验证：没测试真实门诊中医生如何与AI协作、是否真能缩短转诊时间或降低漏诊率。样本量大、来源广、采用患者级划分和五折交叉验证，设计比多数单中心小样本AI研究更扎实，但终究未进入随机对照试验阶段。
短期内不会直接改变基层医生的日常操作——该模型尚未集成进主流眼底相机或PACS系统，也未通过FDA或CE认证。国内情况有待确认。
常见问题
这个AI看眼底照准不准？能代替医生吗？
在验证中，它对糖尿病视网膜病变的阴性预测值达99.3%，意味着如果AI判为‘无’，基本可以放心；但它不提供诊断结论，也不替代医生综合判断。如有疑虑可咨询眼科医生。
体检拍一张眼底照，以后就能查出这么多病了吗？
目前还不能。该AI模型尚处于研究验证阶段，未整合进常规体检设备或流程。它需要严格标注的数据和配套软件支持，离大规模落地应用还有距离。
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%）。