AI整合多模态眼底影像识别血管与神经退行性病变
摘要
研究团队开发了RetinalVNG-Net深度学习模型，整合眼底照相、光学相干断层扫描（OCT）和临床数据，同步评估高血压性视网膜病变、糖尿病视网膜病变、神经退行相关视网膜改变及正常对照。该模型在2740名受试者中验证，外部测试集宏平均AUC-ROC达0.944，各病种AUC均超0.92。结果表明其具备跨设备、跨中心的稳健性和泛化能力，支持进一步用于系统性血管与神经退行性疾病相关视网膜改变的风险分层。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- RetinalVNG-Net是首个能同步风险分层高血压性、糖尿病性及神经退行相关视网膜改变的多模态AI模型。
- 模型整合眼底照相、OCT和临床元数据，在2740名受试者中完成多中心验证。
- 外部测试集宏平均AUC-ROC为0.944（95% CI 0.922–0.958），显著优于单模态眼底模型（0.901）。
- 研究结论强调需前瞻性纵向研究验证其在早期或预测性检测中的临床价值。
本站解读
这项研究最核心的发现是：一个叫RetinalVNG-Net的AI模型，能用一张眼底照+一张OCT图+几项基础临床信息，同时判断出患者是否存在高血压、糖尿病引起的视网膜损伤，或阿尔茨海默病等神经退行疾病可能带来的早期视网膜变化——而且准确率很高，外部测试AUC-ROC达0.944，比单用眼底照的模型（0.901）明显更好。
研究靠谱：2740例样本来自三家独立眼科中心，时间跨度五年，内部交叉验证和外部测试都做了，设计符合高质量AI医学研究规范；但它是回顾性分析，不能证明AI能提前预测疾病发生，只说明它能识别已有影像特征。
短期内很难改变临床做法——模型尚未嵌入真实诊疗流程，也未通过前瞻性试验验证其能否真正帮助医生早于其他手段发现疾病。论文自己也明确说‘需前瞻性纵向研究确认预测价值’。
普通人无需因此改变生活习惯或检查频率；AI工具再强，也不能替代定期体检和基础慢病管理。如有疑虑可咨询眼科医生。
常见问题
这个AI能帮我提前查出高血压或老年痴呆吗？
不能直接提前查出。它目前只能从已有眼底照和OCT中识别出高血压、糖尿病或神经退行疾病已造成的视网膜改变，属于‘识别已有迹象’而非‘预测未来发病’。论文明确指出，要确认预测能力还需前瞻性长期研究。如有疑虑可咨询眼科医生。
以后去医院做眼底检查，会自动用这个AI分析吗？
目前不会。RetinalVNG-Net仍处于研究验证阶段，尚未集成到临床检查系统中，也未获批作为医疗器械使用。它需要与特定型号OCT和眼底相机数据兼容，并经过医院信息系统部署和监管审批，这些工作都还未开展。
延伸阅读
多模态AI在视网膜疾病中的临床转化路径
本文为特刊导言，指出当前AI在视网膜图像分类和筛查中进展显著，但临床价值取决于能否支撑患者全程决策。多模态AI可整合眼底照相、OCT、OCTA、超广角成像等影像数据与临床特征、治疗史及纵向变化，以提升风险分层、病情监测和个体化随访能力。研究强调需超越单一技术指标，验证其相较单模态模型和临床基线的增量价值，并在真实世界中评估对视力功能、转诊合理性、治疗时机等终点的影响。
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。
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。