两种AI系统联合使用提升青光眼筛查准确率
摘要
研究评估了Laguna ONhE和VUNO Med-Fundus AI两款商用AI系统在彩色眼底照相（CFP）上独立及联合诊断原发性开角型青光眼的准确性。共纳入193名患者370只眼（248只青光眼眼，122只健康眼），以扫频OCT和视野检查为金标准。结果显示，Laguna AUC为0.879，VUNO为0.857，二者联合达0.903，接近金标准指标GMD的0.916，差异不显著（p=0.146）。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- 研究纳入370只眼（248只青光眼眼、122只健康眼），使用扫频OCT和Octopus视野为诊断金标准
- Laguna ONhE和VUNO Med-Fundus AI均基于彩色眼底照相（CFP）进行青光眼检测，可独立或联合运行
- 二者联合诊断AUC达0.903，与金标准指标GMD（AUC=0.916）无显著差异（p=0.146）
本站解读
这项研究说明：仅靠普通眼底照片，两个现成的AI工具联手就能达到接近专业设备（OCT+视野）的青光眼识别能力——AUC从单个0.857–0.879提升到联合的0.903，虽未超越GMD，但已非常接近。样本量370眼、含明确病理分组和结构功能双金标准，设计扎实，结果可信度高。
不过，这是回顾性单中心研究，且依赖高质量眼底照相；真实筛查中图像质量参差、操作者经验不一，AI表现可能打折扣。短期内难直接替代OCT或视野检查，但可作为基层或资源有限场景的初筛工具，帮医生快速锁定高风险人群。
对普通人而言，无需因这项研究改变日常用眼习惯或主动加做眼底照相；青光眼隐匿进展，常规体检若含眼底检查，可留意AI辅助判读结果，如有疑虑可咨询眼科医生。国内情况有待确认。
常见问题
AI看眼底照片真能查出青光眼吗？
能，而且准确率较高。研究显示，Laguna和VUNO两个AI系统单独使用时，诊断青光眼的AUC分别达0.879和0.857；联合使用后升至0.903，已接近专业设备组合（OCT+视野）的水平。但AI目前是辅助工具，不能替代医生综合判断。如有疑虑可咨询眼科医生。
以后体检拍个眼底照就能知道有没有青光眼了吗？
目前还不能完全替代。这项研究证明AI在理想条件下效果良好，但实际应用需稳定图像质量、规范操作和临床验证。它更适合用于初筛，提示哪些人需要进一步做OCT或视野检查。是否纳入常规体检流程，取决于设备普及度和本地医疗规范。如有疑虑可咨询眼科医生。
延伸阅读
早期青光眼视野进展预测模型比较研究
研究通过模拟早期青光眼患者的视野数据，对比四种预测方法：个体化一阶自回归模型（AR(1)）、普通线性回归（OLR）、群体级长短期记忆网络（LSTM）和朴素基线预测。结果显示，在检查次数较少时（如前6–11次），LSTM误差最低；但随着检查次数增加，尤其在中、快速进展患者中，AR(1)的预测精度反超LSTM。评估指标为RMSE和点均绝对误差（PMAE）。
本地医疗大模型精准识别青光眼风险因素
研究团队使用MedGemma-27B-text-it本地医疗大模型，分析2014至2024年间1250例青光眼相关临床记录，评估其识别用药依从性差、随访失约及家族史的能力。结果显示，模型在识别用药非依从性（准确率0.91）、随访非依从性（准确率0.96）和家族史（准确率0.98，Jaccard指数0.99）方面远超结构化电子病历字段（家族史准确率仅0.49）。研究证实本地化大模型可高效挖掘自由文本中的隐性风险信息。
AI辅助三级青光眼筛查模型的构建与验证
这是一项在中国社区开展的集群随机对照试验，旨在建立并验证一种适用于中国人群的AI辅助三级青光眼筛查模型。研究将招募28,275名40-80岁社区居民，分为无筛查组、常规筛查组和三级筛查组，随访至少6年。三级筛查包括高危问卷初筛、眼科检查（结合医生与AI图像判读）和三甲医院确诊。主要终点是青光眼检出率，并评估AI判读准确性及不同策略的成本效果。