基于各向异性建模的翼状胬肉AI筛查新方法
摘要
研究提出一种无需专业标注、不依赖阳性样本的AI辅助诊断框架，通过构建眼表解剖图谱并改进细胞自动机模型，模拟翼状胬肉特有的各向异性生长模式，自动生成高质量训练样本。该方法突破传统AI诊断对大量人工标注数据的依赖，模型性能优于常规训练方式，适用于基层医疗机构和自我筛查，有助于早期识别翼状胬肉、降低视力损害风险。
信息来源： PubMed Ophthalmology 发布于 2026年6月1日
要点速览
- 提出一种无需专业标注、不依赖阳性样本的翼状胬肉AI筛查方法
- 通过构建眼表解剖图谱并改进细胞自动机模型，模拟病变各向异性生长以生成训练样本
- 旨在为资源有限的基层医疗机构提供早期筛查工具，降低视力损害风险
本站解读
这项研究的核心突破在于绕开了AI医疗落地最头疼的‘数据标注瓶颈’——它不靠医生一张张标出翼状胬肉病灶，而是用计算模型‘复刻’病变的生长规律来造数据。原文明确提到方法是‘weakly-labeled, positive-sample-free’，即连一个确诊病例都不需要人工提供，就能训练出高准确率模型，这对缺乏眼科医生的基层卫生所意义直接。
研究设计属于方法学创新验证，未披露具体样本量或临床测试规模，因此尚属算法层面的可行性证明，离真实门诊部署还有距离：需在不同设备、光照、人群图像上做外部验证，也需嵌入现有基层筛查流程中测试操作效率。目前没有证据表明该框架已进入临床试用阶段。
普通人无需因此改变日常习惯，也不必自行下载工具或反复拍照自查；如有眼部发红、异物感或鼻侧角膜边缘出现肉样增生，可咨询眼科医生。国内情况有待确认。
常见问题
这个AI工具能自己在家查出翼状胬肉吗？
目前不能作为家用自测工具使用。该研究开发的是面向基层医疗机构的辅助筛查框架，尚未推出面向公众的App或便携设备。它依赖专业图像采集和后台计算支持，不是手机拍照就能判断的简易程序。如有眼部不适或外观变化，如有疑虑可咨询眼科医生。
是不是以后去社区医院拍个照就能知道有没有翼状胬肉？
短期内还不能实现。该方法仍处于算法验证阶段，未说明是否已完成临床系统集成或实际部署测试。要让社区医院真正用上，还需完成软硬件适配、操作培训、合规审批等步骤。它提供了技术路径，但不是即装即用的现成产品。
延伸阅读
AI辅助干燥综合征唾液腺分型研究综述
该系统性综述评估了人工智能和机器学习在干燥综合征（SjD）唾液腺组织病理与分子分析中的应用。共纳入25项研究，AI/ML识别出免疫激活、组织结构改变、上皮应激及细胞死亡等多维表型。但仅少数研究推进到功能扰动、药物测试或人体治疗反应验证。研究受限于小样本、重复使用公共数据集、方法不统一及缺乏独立验证。
CNN、Transformer与Mamba模型在眼病分类中的性能对比
研究首次将Mamba架构应用于彩色眼底图像的多类别眼病自动分类，并在相同实验条件下对比了6种CNN、Transformer和Mamba模型在Eye Disease Image Dataset（EDID）上的表现。结果显示三类模型整体性能相近；对前三名模型进行logit级集成后略有提升，表明它们捕捉的视觉特征存在部分互补性。研究还指出，结构特征明显的眼病识别更稳定，而特征细微或重叠的类别仍具挑战性。
AI可替代一名医生进行眼底照相初筛
研究回顾性分析6904张眼底彩照，评估AI作为初筛者与一名医生组成双人读片流程的效果。结果显示，对糖尿病视网膜病变和视网膜静脉阻塞，AI-human组合的敏感度（0.974–0.982）和特异度（0.999–1.000）与传统双人人工读片无显著差异，且人均阅片量从2.00–2.10次降至1.02–1.11次；年龄相关性黄斑变性结果因读片组合而异，部分组合敏感度更高（0.916–0.950）。