人工智能在糖尿病视网膜病变中的应用进展
摘要
该综述系统梳理了人工智能在糖尿病视网膜病变（DR）中的多种应用，包括自动筛查、分级、病灶分割、多模态影像整合、个性化风险预测及代谢组学分析。研究指出，当前AI系统检测可转诊DR的诊断性能已接近甚至超过人类专家；深度学习提升了病灶识别与严重程度分级能力；但多模态融合、个性化随访和代谢组学等方向仍处于早期转化阶段。真实世界研究证实AI可提升筛查覆盖率和工作流效率，而外部验证不足、标准不统一、图像不可判读率高、设备与人群泛化性差等问题仍是落地障碍。
信息来源： PubMed Ophthalmology 发布于 2026年8月20日
要点速览
- AI系统检测可转诊糖尿病视网膜病变的性能已接近或超过专家人工判读。
- 深度学习方法显著提升了病灶检测、严重程度分级和风险评估能力。
- 多模态影像整合、AI驱动个性化随访及代谢组学应用尚处早期转化阶段，临床验证不足。
本站解读
这项综述明确传递了一个核心结论：AI用于糖尿病视网膜病变的自动筛查和分级，已不是概念验证，而是具备临床实用潜力的技术——其检测‘可转诊DR’的性能已接近或超过专业阅片医生。这背后是大量基于深度学习模型的临床验证支撑，虽未给出具体样本量数字，但强调证据来自系统评价、荟萃分析、临床试验及实施研究，说明基础较扎实。
不过，从论文到日常诊疗仍有明显断层。多模态整合（如眼底照相联合OCT/OCTA）、AI驱动的个性化随访或治疗建模，目前大多停留在实验室或小规模试点阶段，缺乏大规模真实世界验证。关键瓶颈不在算法本身，而在外部泛化能力、不同设备图像兼容性、不可判读图像处理以及如何嵌入现有医疗流程。这些都不是单纯优化模型能解决的。
对普通人而言，无需因这项技术改变当前行为，也不必担心被AI替代医生。它真正影响的是筛查可及性——尤其在基层或资源有限地区，未来可能通过便携设备+AI实现更早、更广覆盖。国内情况有待确认。
常见问题
AI查眼底能代替医生看报告吗？
不能完全代替。目前AI在筛查和分级上表现接近甚至超过专家，但无法替代医生综合判断病情、解释结果、制定个体化方案。AI输出需由医生审核确认，尤其对边界病例或不可判读图像。如有疑虑可咨询眼科医生。
以后去社区医院拍个眼底照，AI就能告诉我有没有糖尿病眼病吗？
技术上已初步可行，部分AI系统已在真实场景中提升筛查覆盖率和效率。但能否稳定部署取决于设备兼容性、图像质量控制和本地化验证。目前这类服务尚未普及，多数仍需专业机构支持。
延伸阅读
可解释视觉Transformer用于糖尿病视网膜病变筛查
研究者提出All-ViT Hybrid框架，将多个预训练视觉Transformer模型融合，用于眼底彩照的糖尿病视网膜病变（DR）二分类分诊（无DR vs DR）。该方法在APTOS 2019数据集上实现准确率0.9754、F1值0.9761、召回率0.9866，较最优基线模型F1提升1.11个百分点。技术包括CLAHE增强、视野掩膜、分层采样、头端热身训练与部分解冻策略，并支持操作点调节和测试时增强。
合成数据+可解释AI提升糖网分级准确率
研究提出一种结合合成视网膜眼底图像与可解释机器学习的新框架，用于糖尿病视网膜病变（DR）严重程度分级。通过HSV色彩转换、GLCM纹理分析和病灶量化提取临床相关特征，用1200例合成图像训练随机森林分类器，并集成SHAP解释模块。该框架在合成数据上达到94%准确率，优于ResNet-50等主流深度学习模型，且SHAP分析显示其决策聚焦于临床上公认的渗出物等关键特征。
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。