AI驱动糖尿病视网膜病变研究的演进图谱
摘要
该研究对1996–2026年间全球12741篇AI用于糖尿病视网膜病变（DR）的文献开展计量分析，揭示其发展分为三个阶段：传统机器学习（1996–2014）、深度学习爆发（2015–2019）、Transformer模型兴起（2020至今）。美国、中国、印度为合作枢纽，新加坡产出高影响力成果。研究热点正从单病种分类转向多模态融合，基础仍为算法创新与临床验证，挑战在于数据整合、罕见病证据不足及跨场景验证。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- 研究基于1996–2026年全球12,741篇文献，识别出AI-DR研究的三阶段演进：传统机器学习（1996–2014）、深度学习 surge（2015–2019）、Transformer主导（2020至今）
- 合作格局呈多极化，美国、中国、印度为枢纽，新加坡产出高影响力研究；知识基础依赖算法创新与临床验证
- 研究热点正从单一疾病分类转向多模态融合，数据源从以眼底照相为主，扩展至电子病历文本与多组学数据
本站解读
这项研究不是新实验，而是对过去三十年AI+DR领域12,741篇论文的‘全景扫描’——它告诉我们，技术路线已清晰走过三步：从早期规则模型，到CNN主导的图像识别黄金期，再到如今Vision Transformer快速上位。样本量大、时间跨度长，方法论扎实，但本质是描述性分析，不验证具体模型效果，因此不能直接指导医生今天怎么用AI看片子。
临床落地仍有明显断层：论文里热炒的多模态、可解释AI、端到端决策，多数尚未嵌入真实筛查流程；尤其跨医院、跨设备的验证几乎空白，这意味着一个在北京训练好的模型，未必能在昆明基层卫生院稳定运行。国内情况有待确认。
普通人无需因此改变日常，AI辅助判读不会替代眼底检查本身，也不改变定期随访的必要性。未来真正影响患者的是更便携的拍摄设备和更可靠的自动初筛工具——但这些要等多模态基础模型成熟并完成大规模临床校准，预计还需3–5年。
常见问题
AI能自己看出我有没有糖尿病眼病吗？
目前部分AI系统已在特定条件下实现眼底照片的自动分级，准确率接近专科医生，但它们只是辅助工具，不能替代医生综合判断。这些系统大多基于卷积神经网络（CNN），近年Vision Transformer类模型发表量明显上升。所有AI判读结果都需由眼科医生复核确认，如有疑虑可咨询眼科医生。
以后查眼底还要去医院拍照片吗？
短期内仍需专业设备拍摄标准眼底照。虽然研究提到‘便携采集’是未来方向，但当前主流AI模型高度依赖高质量、标准化图像，手机或简易设备拍摄尚难满足临床验证要求。真正支持居家初筛的可靠方案，还需等待多模态基础模型与硬件协同优化完成。
延伸阅读
深度学习自动识别糖尿病视网膜病变中的IRMA
研究团队开发了一种名为CE-U-Net的深度学习算法，用于在扫频源OCT血管成像（SS-OCTA）上自动分割和计数视网膜内微血管异常（IRMA）。该算法在254只眼（181名患者）中进行了验证，覆盖非增殖期（NPDR，60.2%）和增殖期（PDR，39.8%）糖尿病视网膜病变。算法在不同扫描范围（6×6 mm、12×12 mm、29×24 mm）上均表现出良好一致性，IRMA计数与人工标注高度吻合（ICC最高达0.86），且IRMA数量随DR严重程度上升而显著增加。
AI自动识别OCT图像中的微动脉瘤
研究团队开发了一种基于三维卷积神经网络的AI模型，用于在糖尿病视网膜病变患者的光学相干断层扫描（OCT）图像中自动识别并三维分割微动脉瘤（MAs）。研究纳入125名受试者，涵盖健康眼及各期非增殖性和增殖性DR。模型在测试集上对单次扫描和多次平均扫描的微动脉瘤检测F1分数分别达96.0%和97.1%，并能定位其在内核层和外丛状层的分布。纵向分析显示该模型可追踪治疗前后微动脉瘤的消退与新生。
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。