基于轻量卷积神经网络的致盲眼病筛查系统
摘要
研究团队利用89158张眼底照片，构建了一个轻量级人工智能眼病筛查模型，旨在提升基层医疗机构对致盲性眼病的筛查效率。该模型在内部验证中准确率达96.11%，外部验证平均准确率90.92%；与医生对比显示，其诊断能力相当于中级眼科医生（准确率88%），显著高于初级医生（74%）。
信息来源： PubMed Ophthalmology 发布于 2026年5月8日
要点速览
- 模型基于89,158张眼底照片训练，在外部验证中平均准确率为90.92%，特异度97.03%，精度89.98%
- 采用轻量卷积神经网络架构，专为基层医疗资源有限场景设计，强调成本效益与部署可行性
- AI模型诊断能力与中级眼科医生相当（准确率88%），明显优于初级医生（74%）
本站解读
这项研究开发出一个性能接近中级眼科医生的人工智能眼病筛查工具，关键指标如外部验证平均准确率90.92%、特异度97.03%，说明它在真实基层场景中具备较强稳定性，不是实验室里的‘纸面冠军’。
研究用了近9万张图像训练，且经过两个独立外部数据集验证，设计比多数单中心AI研究更扎实；但未说明图像来源是否覆盖不同设备、人种和疾病谱，泛化能力仍有待更大规模落地检验。
短期内难直接替代医生判读——它定位是‘筛查助手’，而非诊断终端；真正改变基层实践，还需嵌入现有体检流程、通过监管审批、解决报告责任归属等非技术问题。
普通人无需因此调整日常用眼习惯或主动寻找该系统检测；如有视力变化或体检提示异常，如有疑虑可咨询眼科医生。国内情况有待确认。
常见问题
这个AI查眼病准不准？比医生还厉害吗？
它在测试中表现接近中级眼科医生，准确率88%，比初级医生高不少，但不是‘比所有医生都强’——它不替代医生，而是帮基层快速筛出高风险人群。目前只在研究阶段，尚未作为常规工具使用。如有疑虑可咨询眼科医生。
我以后体检查眼底，会用上这个AI吗？
目前不会马上用上。它还需要通过医疗器械监管审批、集成到基层检查设备中，并明确临床责任机制。这类AI从论文走向体检室通常需要数年时间。如有疑虑可咨询眼科医生。
延伸阅读
AI模型用45°眼底照准确识别糖尿病视网膜病变
研究基于印度南部2610名40岁以上参与者的数据，训练深度学习模型分析45°和200°超广角眼底图像。结果显示，该模型在45°图像上DR分级准确率达97.24%，将漏判率从16.5%降至6.2%；Grad-CAM显示模型聚焦中央区域，血管分析发现眼底周边病变与中央血管密度、迂曲度变化相关，提示AI可捕捉亚临床血管改变。
血管引导多任务深度学习模型同步分割血管并分类眼底病
研究团队开发了V-MNet模型，首次将视网膜血管分割与多种眼底病分类整合于同一深度学习框架，并引入血管结构先验信息指导疾病分类。该模型在四个公开数据集上测试，血管分割Dice系数达0.831，多病种分类平均AUC为0.978、F1分数为0.935，显著优于单任务模型。Grad-CAM模块提供可视化病灶定位图，增强临床可解释性。
多标签AI模型可单张眼底照同步筛查九种眼病
研究团队开发了一种多任务ConvNeXt深度学习模型，使用23.6万张眼底彩照（来自17个异质来源）训练，可同时识别糖尿病视网膜病变、年龄相关性黄斑变性等九种眼底状况。内部验证（47,229张图）显示AUROC在0.943–0.989之间；外部验证（4055张图，来自东亚健康筛查中心）中，八种病症阴性预测值（NPV）≥95.6%，其中糖尿病视网膜病变NPV达99.3%。