AI与远程医疗如何重塑英德眼科就诊路径
摘要
研究提出一个分类框架，按初始接触点和AI角色将AI与远程医疗赋能的眼科路径分为四类：从传统人工评估到AI首诊及全自动分诊。作者以英国和德国为对照，分析其在常见视网膜疾病和眼底心血管风险评估中的应用差异：英国将AI作为社区验光师和全科医生主导的守门人体系的模块化升级；德国则因直通眼科诊所、机会性筛查和商业零售服务，导致AI采用更碎片化、临床与市场双驱动。
信息来源： PubMed Ophthalmology 发布于 2026年5月27日
要点速览
- 研究构建了基于初始接触点和AI角色的四类眼科AI路径框架，涵盖从人工评估到全自动AI分诊
- 英国将AI作为社区验光师和全科医生主导的守门人体系的模块化升级，德国则呈现临床与市场双驱动的碎片化采用
- AI价值不仅取决于诊断性能，更依赖路径设计，包括明确的升级规则、结构化信息传递和任务再分配
本站解读
这项研究没报告新算法准确率或临床试验数据，而是指出一个常被忽视的关键——再好的AI诊断工具，若嵌入混乱的就诊路径，反而会加剧重复检查、转诊脱节和照护碎片化。它用英德两国对比说明：同样技术，在英国标准化初级筛查体系中作为‘增强模块’落地，在德国则因直通专科、商业介入而呈现多头并进、规则不一的局面。文中明确提到‘fully autonomous AI gatekeeping’（全自动AI分诊）是框架顶端形态，但当前两国均未实现；现实仍是AI辅助人工决策，而非替代。这种路径设计差异，意味着AI价值不能只看AUC或敏感度数字，更取决于是否有清晰的升级规则、结构化信息流转和任务再分配机制。国内情况有待确认。
短期内，这不会改变普通人的就诊习惯——AI尚未独立接诊，也不改变谁该去看谁、何时去查。患者无需主动寻找AI服务，更不必担忧‘被机器误判’；如有疑虑可咨询眼科医生。真正需要行动的是系统设计者：必须把AI当作流程再造的支点，而非诊断性能的单点突破。
常见问题
AI看眼底照片能代替医生看病吗？
目前不能。研究明确指出，英德两国实际应用中AI仍处于辅助角色，例如帮社区验光师初筛、或由医生复核结果，尚未实现全自动AI分诊。所有路径都保留人工升级通道，AI只是优化效率和覆盖范围的工具，最终诊断和治疗决策仍由医生完成。如有疑虑可咨询眼科医生。
我在国内能用上这种AI眼病筛查吗？
原文未提及中国相关部署情况，也未说明任何AI产品在中国的获批状态或应用模式。研究聚焦英国和德国的制度差异，对国内是否已开展类似实践未作陈述。如有疑虑可咨询眼科医生。
延伸阅读
智能手机离线AI可同步筛查三种眼病
研究评估了一款集成于智能手机眼底相机的离线AI系统（Medios-AI，MAI），在真实场景中同步筛查糖尿病视网膜病变（DR）、青光眼和年龄相关性黄斑变性（AMD）的效果。共纳入193名成人（371只眼），以专业医生对Zeiss Clarus 500图像的盲法判读为金标准。结果显示，MAI对任一视网膜疾病的整体敏感性达99.3%，特异性95.7%，AUC为0.99；对青光眼、AMD、DR的敏感性分别为98.2%、88.9%、84.6%。
空间感知神经符号AI用于OCT图像视网膜病分类
研究开发了一种融合CNN、视网膜层分割图与专家规则的神经符号AI模型，用于对OCT图像进行多标签视网膜疾病分类。模型在10类疾病（含干/湿性AMD、糖尿病视网膜病变等）上测试，微平均精确率0.91、召回率0.81、F1分数0.86，AUC达0.98；对402张未纳入训练的病理图像，未错误判为‘正常’。
多类别眼睑图像数据集支持AI分析
研究团队构建了一个含1414张外部眼图像的公开数据集，覆盖八种常见眼睑疾病及正常对照组。每张图像均标注了眼睑裂、角膜和眉毛三个关键结构，并经专家验证和质量评估，标注一致性高。基于该数据集训练的Attention 2D U-Net模型在三类结构分割中分别达到0.93、0.96和0.89的Dice系数。