AI眼底筛查可缩小青少年糖尿病视网膜病变检查差距
摘要
ACCESS2研究纳入397名1型（72%）和2型（28%）糖尿病青少年，比较白人与非白人 youth 的糖尿病视网膜病变筛查完成率。干预前，白人组既往检查完成率为79.8%，非白人组为61.8%；使用自主AI眼底检查后，两组完成率分别达99.5%和98%，实现等效。AI对中重度以上病变的敏感性为100%，特异性为76%。
信息来源： Nature - Eye Diseases 发布于 2026年10月23日
要点速览
- 研究纳入397名1型和2型糖尿病青少年，在门诊现场使用自主AI系统完成眼底筛查。
- AI检查在白人与非白人青少年中实现99.5%和98%的筛查完成率，达到等效水平。
- AI对中重度以上糖尿病视网膜病变的敏感性为100%，特异性为76%。
本站解读
这项研究说明，把AI眼底检查直接嵌入糖尿病门诊流程，能让原本更难获得筛查的少数族裔青少年几乎和白人青少年一样顺利完成检查——98%对99.5%，差距从18个百分点缩窄到1.5个百分点。样本量397人、前瞻性设计、在真实门诊场景中实施，增强了结果可信度；但敏感性100%基于小样本区间（67.6%–100%），特异性76%也提示存在一定假阳性，尚需更大规模验证。
短期内它不会替代眼科医生判读，但能显著提升基层筛查覆盖率和公平性，尤其适合资源紧张或转诊路径不畅的场景。论文已证明‘可行’和‘有效缩小差距’，下一步关键是设备部署、医保支付和操作培训能否跟上。国内情况有待确认。
普通人无需因此改变日常行为，也不必主动寻找AI检查——它不是面向个人的自购工具，而是医疗机构采用的新筛查方式。如有疑虑可咨询眼科医生。
常见问题
AI查眼睛真能帮到少数民族孩子吗？
能。研究显示，用AI做眼底检查后，非白人青少年筛查完成率达98%，白人是99.5%，两者基本没差别；而干预前非白人组只有61.8%做过检查，明显低于白人组的79.8%。这说明AI嵌入门诊流程可切实缩小筛查差距。
这个AI检查准不准？
对中重度以上糖尿病视网膜病变，AI敏感性达100%，意味着没漏掉一个真正有问题的病例；但特异性为76%，说明约四分之一正常人会被提示‘可能异常’，需要医生复核。它不是最终诊断工具，而是高效初筛手段。
延伸阅读
AI驱动糖尿病视网膜病变研究的演进图谱
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。
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。