AI辅助床旁影像诊断的系统评价
摘要
该研究系统回顾了2018至2025年间20项AI辅助床旁影像（POC）临床决策支持研究，覆盖约78,296名患者、15国、多种影像模态。中位敏感度92%，特异度90.6%；65%研究证实非专科人员经平均1小时培训即可达专科级判读水平。但75%研究未提及可解释性（XAI），无一评估XAI是否影响临床决策或改善患者结局；70%研究存在高偏倚风险，整体证据确定性极低（GRADE ⊕◯◯◯）。
信息来源： PubMed Ophthalmology 发布于 2026年2月7日
要点速览
- 纳入20项研究，覆盖约78,296名患者，中位敏感度92%、特异度90.6%
- 65%研究证实非专科人员经中位1小时培训可达专科级判读性能
- 75%研究未提及可解释性（XAI），无一评估XAI对临床决策或患者结局的影响
本站解读
这项系统评价揭示了一个矛盾现实：AI在床旁影像诊断中确实展现出高准确率和快速赋能基层人员的能力——比如65%的研究显示，非专科人员仅用1小时培训就能达到专科级表现，这对资源匮乏地区意义重大；但支撑其落地的科学基础却相当薄弱：所有20项研究均未测量患者结局，75%完全忽略可解释性设计，且70%存在高偏倚风险，尤其是验证偏倚普遍。这意味着当前多数AI工具仍停留在‘能识别’阶段，而非‘可信赖、可追责、可改善健康’阶段。
短期内它很难改变主流临床流程，因为缺乏对真实世界疗效、医生理解度和决策影响的验证。普通公众无需因此调整日常行为，也不必担心现有检查被AI替代；如有疑虑可咨询眼科医生。国内情况有待确认。
常见问题
AI看眼底照片比医生准吗？
目前研究显示AI在眼底摄影等POC影像中的中位敏感度为92%、特异度为90.6%，数值上接近或达到专科医生水平，但这些结果来自高度控制的研究环境，且所有20项研究均未测量患者最终健康结局。AI尚未取代医生，而是作为辅助工具，实际应用中仍需医生综合判断。如有疑虑可咨询眼科医生。
以后去社区医院拍个眼底照，AI当场出结果靠谱吗？
理论上可行——65%的研究已证明非专科人员经1小时培训即可使用AI工具达成专科级判读。但现实中尚不具备条件：所有研究均未验证AI是否真正改变了诊疗行为或改善了患者视力等结局，且70%研究存在高偏倚风险。这类工具距离稳定、可信地部署在社区场景仍有明显差距。
延伸阅读
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。
AI眼底诊断为何难进诊室？系统综述揭示三大落地障碍
该系统综述分析了2018至2025年间34项研究，指出AI在糖尿病视网膜病变、青光眼、早产儿视网膜病变和年龄相关性黄斑变性等眼病诊断中准确率常超90%，表现媲美甚至优于专家医生。但临床实际应用仍受限，主要存在三方面缺口：AI工具难以嵌入现有诊疗流程、决策过程缺乏透明度、在不同人群中的泛化能力差。