AI系统实现近视性视网膜病变中WWOP定量评估
摘要
研究开发了一套基于人工智能的自动分析系统，用于从超广角眼底彩照中识别并量化‘无压苍白区’（WWOP）病变。该系统可计算总面积、总数、分区分布（R1-R3）及全局面积比。在119例近视眼样本中（64例检出WWOP），发现超96%的病变面积位于后极部以外，且各项定量参数与眼轴长度呈显著正相关（如总面积R=0.41，P<0.001）。系统目前定位为需进一步验证的研究工具。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- 该AI系统可自动分割并量化WWOP病变，包括总面积、总数、R1-R3分区面积与数量、全局面积比。
- 系统基于深度学习算法，输入为超广角眼底彩色照片，输出为多维定量参数。
- 在119例近视眼中，64例检出WWOP；其中超96%的病变面积位于后极部以外，且各项参数与眼轴长度显著正相关。
本站解读
这项研究首次实现了WWOP这一常被忽视的近视周边视网膜改变的自动化、多维度量化——不是简单判断‘有或无’，而是精确测量它在哪、有多大、有多少、怎么分布。用119只近视眼图像训练验证，虽样本量偏小、未设外部测试集，但结果稳定（所有相关性P值均<0.001），技术路线清晰可信。
短期内难直接进诊室：它依赖超广角眼底照相设备，且尚未通过临床前瞻性队列验证是否真能提升并发症预测能力。论文也明确说‘目前应视为研究工具’。真正落地需证明它比医生经验或现有指标（如眼轴）更能提前预警视网膜脱离或脉络膜萎缩风险。
普通人无需因此改变日常习惯，也不必专门去查WWOP；近视患者仍应按常规随访，如有飞蚊、闪光或视野缺损等新发症状，如有疑虑可咨询眼科医生。国内情况有待确认。
常见问题
AI能帮我看出眼睛里有没有‘无压苍白区’吗？
目前不能用于个人筛查。这个AI系统还在研究阶段，需要配合超广角眼底相机拍摄的专业图像，且尚未在真实门诊流程中验证。它不面向患者直接使用，也不替代医生判读。如有疑虑可咨询眼科医生。
WWOP多了是不是说明近视更严重了？
研究发现WWOP的总面积、数量和外周区域（R3）面积都与眼轴长度呈显著正相关，比如总面积相关系数R=0.41。这提示WWOP负荷可能反映近视进展程度，但它本身不是诊断标准，也不能单凭它判断视力预后。
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。