AI模型用45°眼底照准确识别糖尿病视网膜病变
摘要
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。
信息来源： PubMed Ophthalmology 发布于 2026年6月1日
要点速览
- 深度学习模型在45°眼底图像上实现97.24%的糖尿病视网膜病变分级准确率
- 采用Grad-CAM可视化模型关注区域，并结合LWNet/Fiji量化血管生物标志物（如迂曲度、密度）
- AI分析揭示中央区血管变化与周边微血管病变存在关联，支持其检测亚临床改变的能力
本站解读
这项研究证实，仅靠常规45°眼底照片，配合深度学习模型，就能达到接近超广角成像的DR分级精度——97.24%的准确率，且把疾病被低估的比例从16.5%大幅压到6.2%。样本量2610人来自真实人群队列，设计为横断面观察，虽非前瞻性干预试验，但数据扎实、标注严谨（含周边病灶独立标注），可信度较高。
短期内难直接替代医生判读，因为模型尚未通过多中心临床验证，也未嵌入现有筛查流程；但已具备快速落地潜力——它不依赖昂贵设备，适配基层广泛使用的45°相机。若后续在资源有限地区验证有效，可能推动AI辅助初筛成为新标准。国内情况有待确认。
普通人无需因此改变日常习惯，也不必主动加做45°拍照；已有糖尿病者仍按医嘱定期检查，如有疑虑可咨询眼科医生。
常见问题
AI看眼底照真能代替医生查糖尿病眼病吗？
目前不能代替医生，但能显著提升初筛效率。研究中AI对45°照片的判读准确率达97.24%，并将DR被低估的比例从16.5%降到6.2%。它不改变医生最终诊断权，而是帮助快速识别高风险患者，减少漏检。实际应用中仍需医生复核结果，如有疑虑可咨询眼科医生。
只拍中间一小块眼底，AI也能看出问题吗？
能。研究证明，即使只用45°中央视野图像，AI模型仍可准确分级DR，且发现中央区血管密度和迂曲度变化与周边病变相关。这意味着AI能从局部图像推断整体视网膜健康状况，捕捉肉眼难辨的亚临床血管改变，不依赖必须拍全范围图像。
延伸阅读
AI诊断糖尿病视网膜病变的准确性评估
一项在二级眼科中心开展的前瞻性研究，纳入294名患者共576只眼，使用Topcon NW400相机拍摄眼底照相，由Google ARDA AI工具与视网膜专科医生分别判读。以医生判读为金标准，AI对糖尿病视网膜病变（DR）的敏感性达97.1%，特异性90.9%，Kappa值0.77；对糖尿病性黄斑水肿（DME）诊断效率89.9%，但Kappa仅0.48，一致性较弱。
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可替代一名医生进行眼底照相初筛
研究回顾性分析6904张眼底彩照，评估AI作为初筛者与一名医生组成双人读片流程的效果。结果显示，对糖尿病视网膜病变和视网膜静脉阻塞，AI-human组合的敏感度（0.974–0.982）和特异度（0.999–1.000）与传统双人人工读片无显著差异，且人均阅片量从2.00–2.10次降至1.02–1.11次；年龄相关性黄斑变性结果因读片组合而异，部分组合敏感度更高（0.916–0.950）。