AI通过眼底图像识别心血管疾病风险
摘要
研究团队开发了名为AVSeg-XAI的可解释深度学习框架，用于自动区分眼底图像中的动脉与静脉，并提取34个血管几何与拓扑特征。该模型结合15项无创临床指标（如年龄、BMI、血压），在卡塔尔生物银行队列中实现了0.81的CVD风险预测AUC，女性和45–55岁人群表现更优（AUC达0.83和0.90）。研究验证了视网膜微血管作为非侵入性心血管健康标志物的可行性。
信息来源： PubMed Ophthalmology 发布于 2026年6月18日
要点速览
- AVSeg-XAI框架在动脉/静脉分割任务中达到0.8368的Dice分数，略高于LUNet的0.8327。
- 研究提取了34个视网膜血管特征，并筛选出7个可解释的核心特征用于风险建模。
- 多模态模型在卡塔尔队列中整体AUC为0.81，45–55岁亚组AUC达0.90，女性优于男性。
本站解读
这项研究发现，仅靠一张普通眼底照和几个基础体检数据，AI就能较准确识别出心血管疾病高风险人群——尤其对女性和45–55岁中年人，AUC高达0.90，意味着模型判别能力接近优秀水平。研究基于卡塔尔生物银行队列，采用10折交叉验证，方法严谨；但未说明具体样本量，且所有数据来自单一中东人群，外推到其他族群（包括中国）需谨慎。
它暂时还不能改变临床做法：目前只是回顾性分析，缺乏前瞻性验证，也未嵌入真实诊疗流程。从论文到医院检查台，至少还需2–3年完成外部验证、监管审批和系统集成。国内情况有待确认。
普通人无需因此改变生活习惯或检查频率，更不必专门去拍眼底照筛查心脏病。已有高血压、糖尿病等基础病的人群，按常规随访即可；如有疑虑可咨询眼科医生。
常见问题
只拍个眼底照片，真能查出心脏病风险吗？
目前这项技术在研究中显示可行，但尚未用于临床诊断。它结合眼底图像和血压等15项常规指标，在特定人群中预测CVD风险的AUC最高达0.90，说明有潜力。但这仍是实验室阶段成果，未经过大规模真实世界验证，也不能替代心电图、血脂检测等标准评估。如有疑虑可咨询眼科医生。
这个AI工具什么时候能用上？
短期内无法用于日常医疗。研究仍处于回顾性验证阶段，下一步需在不同地区人群中开展前瞻性试验，并通过医疗器械监管审批。类似AI辅助诊断工具从论文发表到实际落地通常需要3年以上。该研究未提及任何商业化或临床部署时间表。
延伸阅读
AI眼底成像辅助评估心血管风险的初步研究
该研究在Metabolic机构对1461名40岁以上成人开展回顾性横断面分析，使用Dr. Noon AI平台分析非散瞳眼底照片，生成视网膜心血管风险评分（Reti-CVD）。结果显示Reti-CVD升高与年龄、男性、糖尿病、高血压、HbA1c升高、血压升高、HDL降低、甘油三酯升高及AI预测血管年龄增大显著相关。Reti-CVD与美国心脏协会PREVENT方程的分类一致性有限（Cohen's kappa未给出具体值），但连续评分与PREVENT阈值存在可评估的对应关系。
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。