眼科AI需扎根临床解释而非困于电子病历
摘要
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。
信息来源： PubMed Ophthalmology 发布于 2026年10月13日
要点速览
- 眼科AI当前成功集中于糖尿病视网膜病变筛查等定义明确的分类任务，但临床解释远不止分类
- 文章提出三层AI治理架构：全球标准化观察层、本地政策与流程适配层、医生主导且设安全闸门的操作层
- 该架构是基于已发表证据的概念框架，尚未经过前瞻性验证，文中明确列出了可能证伪它的失败模式与评估指标
本站解读
这项综述没有报告新实验数据，而是直指一个关键矛盾：眼科AI已能在糖尿病视网膜病变筛查等限定任务中完成分类，但临床决策需要的是‘硬性渗出在黄斑区增加’这类带空间定位、时序对比和语言表达的完整判断——这要求AI能定位黄斑、分割病灶、对齐随访图像、量化变化并生成可信文本。研究设计是叙事性综述，非实证研究，因此不涉及样本量或统计效力，但其批判逻辑扎实，援引了已发表的视觉-语言模型案例作为支撑。它提出的三层架构不是即插即用方案，而是治理框架，强调定制化不应由厂商收费实现，而应成为采购、审计和全周期监管中的安全功能。论文到临床落地的距离很远，因为目前尚无系统验证该架构能否真正降低误判率或提升医生信任度。国内情况有待确认。
普通人无需因此改变日常行为——这项工作针对的是AI如何被医院部署、医生如何与AI协作，而非患者自查或干预手段。它提醒我们：AI若不能让医学证据更透明、更可追溯，就只是把诊疗过程变得更黑箱而已。
常见问题
AI看眼底照片能代替医生诊断吗？
不能代替。目前AI在糖尿病视网膜病变筛查等特定任务上表现良好，但真正的临床诊断需要定位病灶、对比前后变化、生成可审核的文字描述，这些能力尚未成熟。AI应作为辅助工具，帮助医生更清晰地看到证据，而不是跳过医生直接下结论。如有疑虑可咨询眼科医生。
以后看病会不会全是AI说了算？
不会。本文明确反对将医疗变成‘另一个不透明的信息处理层’，主张所有AI操作必须由医生主导，并设置安全闸门。自动化的目标是让医学证据更可见、更可审计，而不是削弱医生判断权。未来AI的角色是增强而非替代，决策责任始终在医生身上。
延伸阅读
人工智能在白内障诊疗中的应用现状与展望
该综述梳理了2021年以来人工智能在白内障全流程管理中的进展：在诊断与筛查中，AI模型对裂隙灯图像的自动识别和分级达到专家水平，荟萃分析显示AUC值接近0.99；在人工晶状体度数计算中，AI公式比传统公式更准，尤其适用于高度近视患者；术中可识别手术阶段并追踪器械；术后多模态AI模型能更好预测视力恢复和并发症。研究指出数据泛化性、算法可解释性及临床转化仍是主要挑战。
AI辅助床旁影像诊断的系统评价
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 ⊕◯◯◯）。
AI增强OCT可准确量化冠状动脉斑块负荷
研究团队开发了一种深度学习算法，用于全自动分析光学相干断层扫描（OCT）图像，以量化冠状动脉斑块负荷（PB）和血管尺寸。研究使用10例尸检人的心脏，对29支主要冠状动脉进行OCT和血管内超声（IVUS）成像，并与组织病理学金标准对比。共获得852个匹配的横截面数据，结果显示AI-OCT与病理结果的相关性不劣于IVUS，且无统计学显著差异。