眼科AI为何难落地:综述谈准确率之外的障碍
摘要
一篇聚焦式叙述性综述讨论眼科人工智能(AI)从性能走向实际应用的障碍。作者检索PubMed、Web of Science和Google Scholar,侧重前瞻性、随机、真实世界、经济学、治理和以患者为中心的证据,从算法有效性、临床效用、工作流整合和卫生系统价值四个领域组织内容,伦理治理与信任贯穿其中。糖尿病视网膜病变筛查被作为较具体的转化范例,其他领域证据相对不成熟。
信息来源: PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- 这是一篇聚焦式叙述性综述,检索了PubMed、Web of Science和Google Scholar
- 综述认为只看诊断准确率不足以衡量价值,系统可能并未改善转诊、随访、治疗或医生工作量
- 作者从算法有效性、临床效用、工作流整合、卫生系统价值四个领域梳理转化障碍
- 糖尿病视网膜病变筛查被视为转化范例,而青光眼等领域证据仍不成熟
本站解读
这是一篇叙述性综述,不是新的研究数据。它的出发点是:眼科AI的论文越来越多,但常规临床应用仍然有限,只看诊断准确率不足以说明临床价值,因为技术上很强的系统也可能没有改善转诊、随访、治疗、医生工作量或卫生系统价值。
作者把转化障碍归入四个相互关联的领域:算法有效性、临床效用、工作流整合和卫生系统价值,伦理治理与信任贯穿其中。糖尿病视网膜病变筛查被作为较具体的例子,从大规模回顾性验证一直走到前瞻性部署、工作流实施和经济学评价。基础模型和大语言模型的输出可能取决于提示词、检索到的上下文、工具和模型版本,所以证据要求也不同。青光眼、视网膜疾病管理、早产儿视网膜病变、眼前节应用和自动报告的证据相对不成熟。摘要没有给出汇总数字,结论反映的是作者的归纳。
我们的判断是,这篇综述的意义在于提醒评价眼科AI的尺度:前瞻性评估、工作流测量、公平性评估和全生命周期监测,与算法本身同样重要。国内情况有待确认。
常见问题
眼科AI诊断很准,为什么还没有普遍用起来?
原因不只在准确率。这篇综述指出,技术上很强的系统,也可能没有改善转诊、随访、治疗、医生工作量或卫生系统价值。作者把障碍归为算法有效性、临床效用、工作流整合和卫生系统价值四个方面,伦理治理与信任是贯穿的要求。综述认为,眼科AI的核心挑战已不只是开发模型,而是有章法的临床转化。如有疑虑可咨询眼科医生。
这篇综述和普通人有什么关系?
关系不大。这是一篇面向研究者和医疗系统的叙述性综述,讨论的是眼科AI如何从实验性能走向实际应用,没有给出针对个人的检查或治疗信息。其中糖尿病视网膜病变筛查被作为较具体的转化例子,但综述并未对个人给出任何建议。如有疑虑可咨询眼科医生。
延伸阅读
眼科AI从诊断准确率到临床应用:一篇综述的观点
这篇综述指出,眼科人工智能的一个持续难题是,擅长图像分类的系统很少带来患者结局的改善。作者认为主要障碍包括数据偏倚、域偏移和标签噪声,缺少前瞻性随机部署试验,也常忽视以患者为中心的目标、成本效益和公平性。解决需要严格的外部验证、明确的决策标准和真实临床中的持续监测。
人工智能在神经眼科影像中的应用:叙述性综述
这是一篇叙述性综述,梳理已发表研究中人工智能在部分神经眼科疾病里的应用,重点讨论筛查、诊断和病情进展评估中的优点、局限与挑战。作者认为,深度学习和卷积神经网络在解读眼底照相、光学相干断层扫描(OCT)和磁共振成像方面显示出潜力,可用于视神经乳头异常的筛查、特征描述和监测,但多数应用仍处于研究、回顾性验证或概念验证阶段。
AI用于脉络膜影像分析的综述:潜力与障碍
这篇综述介绍人工智能在脉络膜成像中的应用。脉络膜是富含血管的一层,为外层视网膜提供营养,可能反映全身微血管健康。AI可自动增强、分割和分析脉络膜图像,有助于发现与眼病和全身疾病相关的脉络膜生物标志物。作者指出,解剖结构复杂、成像方案不统一、缺少大规模标注数据集阻碍了AI的应用,要把AI得出的脉络膜指标作为可靠的诊断和预后工具,必须先克服这些障碍。