AI系统自动诊断视网膜母细胞瘤并量化血管形态
摘要
研究团队基于DenseNet构建深度学习模型，利用183张视网膜母细胞瘤（RB）患者和250张健康对照者的超广角眼底图像，训练并验证AI诊断系统。在测试集中，系统达到93%敏感性、79%特异性、87% F1分数；同时发现RB患者视网膜血管角度增大，而血管密度、分形维数和分支数均显著降低（P<0.001）。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- 研究开发了基于DenseNet的AI系统，用于自动诊断视网膜母细胞瘤，并在测试集上实现93%敏感性、79%特异性和87% F1分数。
- 系统在人工标注去除病灶区域后，自动提取视网膜血管骨架，定量分析血管角度、密度、分形维数和分支数等形态特征。
- RB患者视网膜血管角度显著增大，而血管密度、分形维数和分支数均显著低于健康对照组（所有P < 0.001）。
本站解读
这项研究证明，AI能在超广角眼底图像上较可靠地识别视网膜母细胞瘤——测试集93%的敏感性和87%的F1分数说明它漏诊率低，但79%的特异性意味着近1/5的健康人可能被误判为患病。样本量偏小（仅54例患者、56张测试图），且为单中心回顾性研究，尚未在真实筛查场景中验证，离临床常规使用还有距离。
短期内它更可能作为医生辅助工具，而非独立诊断手段；尤其对基层缺乏RB经验的医生，或可提升初筛效率。文中未提及其在中国的落地进展，国内情况有待确认。
普通人无需因此改变日常行为——RB多发于婴幼儿，靠家长观察白瞳、斜视等体征，AI系统不适用于自我筛查。如有疑虑可咨询眼科医生。
常见问题
这个AI能直接帮我查出有没有视网膜母细胞瘤吗？
不能直接用于个人自查。该AI系统需在专业机构用超广角眼底相机拍摄图像后运行，目前仅处于研究验证阶段，未作为医疗器械获批上市。它也不是家用设备，无法替代医生面诊和综合评估。如有疑虑可咨询眼科医生。
听说AI能看血管变化，这能帮孩子早点发现视网膜母细胞瘤吗？
研究确实发现RB患儿视网膜血管形态有显著定量差异，比如血管分支数减少、角度增大，这些可能是潜在生物标志物。但当前结果来自回顾性图像分析，尚未证实能提升早期检出率。是否用于婴幼儿筛查，还需更大规模前瞻性研究验证。
延伸阅读
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。
AI眼底诊断为何难进诊室？系统综述揭示三大落地障碍
该系统综述分析了2018至2025年间34项研究，指出AI在糖尿病视网膜病变、青光眼、早产儿视网膜病变和年龄相关性黄斑变性等眼病诊断中准确率常超90%，表现媲美甚至优于专家医生。但临床实际应用仍受限，主要存在三方面缺口：AI工具难以嵌入现有诊疗流程、决策过程缺乏透明度、在不同人群中的泛化能力差。
深度学习通过眼底图像识别遗传性视网膜疾病
研究团队利用宽视野自发荧光（FAF）和伪彩色眼底（pCF）图像，训练了9个EfficientNet-V2-m深度学习模型，对409名患者（330例IRD患者含25种常见致病基因，79例非IRD）进行三类分类：IRD vs 非IRD、两组各5个致病基因的分组。多模态模型（FAF+pCF）表现最优，二分类准确率达0.95±0.01，基因分组准确率最高为0.92±0.03。