眼科AI研究十年趋势分析
摘要
研究团队对2015–2025年Web of Science、Scopus和PubMed中12,911篇眼科AI原创论文开展系统性文献计量分析。发现年发文量以39.7%的复合年增长率飙升，从2015年108篇增至2025年3061篇；研究类型以开发类为主（88.3%），评估类仅占7.4%且2019年才起步；糖尿病视网膜病变（32.9%）、青光眼（17.5%）和年龄相关性黄斑变性（12.6%）是三大焦点疾病；图像模态占84.1%，文本模态自2022年起持续上升。
信息来源： PubMed Ophthalmology 发布于 2026年8月1日
要点速览
- 2015–2025年共纳入12,911篇眼科AI原创论文，年发文量CAGR为39.7%，2025年达3061篇
- 开发类研究占88.3%，评估类研究仅占7.4%且始于2019年
- 糖尿病视网膜病变（32.9%）、青光眼（17.5%）和年龄相关性黄斑变性（12.6%）为三大疾病焦点
本站解读
这项研究用扎实的数据勾勒出眼科AI过去十年的真实成长轨迹：不是突飞猛进的临床落地，而是爆发式论文产出下的技术演进——从2015年仅108篇到2025年预计3061篇，年均增长近40%，但其中88.3%仍是模型开发，真正进入临床验证阶段的评估类研究直到2019年才零星出现，至今仅占7.4%。这说明多数成果仍卡在实验室阶段，离医生日常使用还有明显距离。
更关键的是方向转变：基础深度学习已成主流（71.8%），而大模型（foundation model）研究虽目前仅占0.6%，却在2024–2025年陡增，预示着眼科AI正从单任务图像识别迈向多模态、可泛化的智能系统。不过，这些进展尚未反映在中国临床一线——国内情况有待确认。
普通人无需因此改变筛查或就诊习惯。AI工具再先进，也不能替代医生综合判断；如有疑虑可咨询眼科医生。
常见问题
AI看眼底照片真能代替医生诊断吗？
目前还不能代替医生。研究显示，88.3%的眼科AI论文属于模型开发阶段，真正进入临床评估的仅占7.4%，且多限于单一病种如糖尿病视网膜病变。AI结果需由医生结合病史、体征和其他检查综合判断。如有疑虑可咨询眼科医生。
现在医院用的AI眼病诊断工具靠谱吗？
多数工具仍处于验证早期。数据显示，评估类研究直到2019年才开始出现，目前占比仅7.4%，说明临床真实环境中的性能验证仍较薄弱。实际应用中，AI更多作为辅助提示而非独立决策依据。如有疑虑可咨询眼科医生。
延伸阅读
AI驱动糖尿病视网膜病变研究的演进图谱
该研究对1996–2026年间全球12741篇AI用于糖尿病视网膜病变（DR）的文献开展计量分析，揭示其发展分为三个阶段：传统机器学习（1996–2014）、深度学习爆发（2015–2019）、Transformer模型兴起（2020至今）。美国、中国、印度为合作枢纽，新加坡产出高影响力成果。研究热点正从单病种分类转向多模态融合，基础仍为算法创新与临床验证，挑战在于数据整合、罕见病证据不足及跨场景验证。
眼科人工智能研究系统综述
这项系统综述纳入2015年1月1日至2026年8月10日发表的270项研究，覆盖糖尿病视网膜病变（82项）、青光眼（46项）、年龄相关性黄斑变性（29项）等疾病。主要技术为卷积神经网络（136项），130项研究完成外部验证，其中95项含临床或真实世界验证，仅49项设有严格临床对照，90项使用可解释性方法。研究指出AI已延伸至预后预测与临床决策支持，但临床转化受限于验证不充分、结局指标不统一及安全性与工作流影响评估不足。
眼科AI需扎根临床解释而非困于电子病历
本文是一篇批判性叙事综述，指出当前眼科人工智能多依赖电子健康档案（EHR），反而加重医生文书负担和职业倦怠；而真正有潜力的AI应深入临床解释层面，如定位病灶、量化变化、生成可审计的‘发现-位置-变化’三元组；文章提出三层架构框架：全球标准化客观观察、本地化政策与流程适配、医生主导并设安全闸门的AI操作；该框架基于已有证据推导，尚未经过前瞻性验证。