眼震与眩晕诊断的AI与便携技术进展综述
摘要
该综述整合了1952至2026年间约50篇文献，聚焦AI分析、临床医学、便携硬件和远程医疗四大方向。研究显示，经典机器学习模型对眼震识别准确率达98.77%，深度学习模型可在普通智能手机RGB视频中实现与金标准视频眼动图相当的慢相速度测量。ARKit应用、3D打印护目镜等便携设备正提升基层可及性，但数据稀缺、环境敏感性和AI不可解释性仍是临床落地的主要障碍。
信息来源： PubMed Ophthalmology 发布于 2026年6月22日
要点速览
- AI模型在智能手机RGB视频中已能实现与视频眼动图相当的慢相速度测量，达到临床级精度。
- 便携硬件创新包括ARKit应用和3D打印护目镜系统，正降低眼震评估对专用设备和专科医生的依赖。
- 当前临床转化主要受阻于罕见BPPV亚型的数据稀缺、环境敏感性高及AI缺乏可解释性。
本站解读
这项综述指出，用普通手机拍一段眼睛视频，AI就能像专业设备一样测出眼震的慢相速度——这不再是科幻，而是已有实证支持的技术能力。98.77%的识别准确率来自经典机器学习模型，而深度学习框架已在标准RGB视频上达到临床级测量精度，说明技术门槛正在快速下移。
但研究本身是文献综述，不包含新实验数据，样本量、患者基线、真实世界误诊率等关键临床证据尚未呈现；多数AI模型仍依赖小规模、实验室条件下的数据集，对光线变化、眨眼干扰、BPPV罕见亚型等现实问题鲁棒性不足。因此，短期内不会替代医生判断，更可能先作为分诊辅助工具嵌入远程初筛流程。
普通人无需改变日常行为，也不必自行拍摄眼震视频自查——眼震多为眩晕发作时短暂出现，非专业人士难以捕捉且易误判。如有眩晕反复发作或伴视物晃动，可咨询眼科医生。国内情况有待确认。
常见问题
我用手机拍自己眼睛抖动的视频，AI能帮我判断是不是脑卒中吗？
不能。目前AI模型虽能识别眼震并测量慢相速度，但尚无法独立区分中枢性（如脑卒中）与外周性（如BPPV）病因。它属于辅助工具，不能替代医生结合病史、查体和其他检查的综合判断。如有眩晕、复视、肢体无力等症状，如有疑虑可咨询眼科医生。
现在用手机APP就能查眼震，是不是以后不用跑医院了？
目前还不能。现有AI工具主要用于记录和初步分析，最终诊断仍需由医生结合临床表现、诱发试验和影像学检查完成。远程记录+云端专家复核的模式正在探索中，但尚未成为常规诊疗路径。如有眩晕反复发作或伴视物晃动，如有疑虑可咨询眼科医生。
延伸阅读
联合SAM分割与时间序列分类识别水平眼震
研究提出一种基于深度学习的新方法，用于从眼动视频中自动识别水平眼震。该方法先用卷积神经网络剔除无效视频帧，再用SAM模型提取瞳孔运动轨迹，最后通过空间注意力机制和多尺度一维时序卷积分类器判断是否存在水平眼震。在临床采集的视频数据集上，瞳孔定位准确率达79.53%，眼震检测精确率达81%，优于其他同类方法。
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。