AI辅助干燥综合征唾液腺分型研究综述
摘要
该系统性综述评估了人工智能和机器学习在干燥综合征（SjD）唾液腺组织病理与分子分析中的应用。共纳入25项研究，AI/ML识别出免疫激活、组织结构改变、上皮应激及细胞死亡等多维表型。但仅少数研究推进到功能扰动、药物测试或人体治疗反应验证。研究受限于小样本、重复使用公共数据集、方法不统一及缺乏独立验证。
信息来源： PubMed Ophthalmology 发布于 2026年10月15日
要点速览
- 共纳入25项研究，聚焦AI/ML在干燥综合征唾液腺组织病理与分子分析中的应用
- AI识别出免疫/干扰素激活、组织架构改变、上皮应激及细胞死亡等多维表型
- 仅有限子集研究推进至功能扰动、药理测试、体内验证或人体治疗响应评估
本站解读
这项综述表明，AI技术已能从唾液腺活检中识别出干燥综合征的多种组织与分子亚型，比如干扰素激活、上皮代谢重塑等特征，但关键局限在于——25项研究中，只有‘有限子集’进入药理测试或真实患者治疗响应评估阶段。研究设计整体偏早期：样本量小、验证不足、流程不统一，导致结果难以复现。这意味着目前AI发现的亚型还不能直接用于临床分层或选药，更谈不上改变常规诊疗路径。
短期内它不会影响普通患者的检查或用药方式。AI模型尚未走出实验室，离成为病理科常规工具还有很长一段路，需要前瞻性多中心研究来确认其价值。国内情况有待确认。
常见问题
AI能帮医生更快确诊干燥综合征吗？
目前还不能。这项综述指出，AI模型虽能识别唾液腺组织中的多种疾病表型，但绝大多数仍停留在计算分析或组织层面验证阶段，尚未通过大规模临床验证，也未整合进常规诊断流程。如有疑虑可咨询眼科医生。
AI分型以后能指导用哪种药效果更好吗？
暂时不能。综述明确提到，仅有‘有限子集’研究推进到药理测试或人体治疗响应评估，说明AI发现的亚型与具体药物疗效之间的关联尚无可靠证据支持，更未形成临床可用的用药指导方案。
延伸阅读
CNN、Transformer与Mamba模型在眼病分类中的性能对比
研究首次将Mamba架构应用于彩色眼底图像的多类别眼病自动分类，并在相同实验条件下对比了6种CNN、Transformer和Mamba模型在Eye Disease Image Dataset（EDID）上的表现。结果显示三类模型整体性能相近；对前三名模型进行logit级集成后略有提升，表明它们捕捉的视觉特征存在部分互补性。研究还指出，结构特征明显的眼病识别更稳定，而特征细微或重叠的类别仍具挑战性。
AI可替代一名医生进行眼底照相初筛
研究回顾性分析6904张眼底彩照，评估AI作为初筛者与一名医生组成双人读片流程的效果。结果显示，对糖尿病视网膜病变和视网膜静脉阻塞，AI-human组合的敏感度（0.974–0.982）和特异度（0.999–1.000）与传统双人人工读片无显著差异，且人均阅片量从2.00–2.10次降至1.02–1.11次；年龄相关性黄斑变性结果因读片组合而异，部分组合敏感度更高（0.916–0.950）。
拓扑感知无监督域自适应提升血管结构分割
研究提出TopoUDA框架，专为解决医学影像中曲状解剖结构（如视网膜血管）跨设备、跨模态分割时出现的断裂、连通性错误等问题。该方法通过三部分创新：设计能识别解剖合理性的曲状感知判别器（CAD）、利用持续同调理论优化碎片化预测的分层拓扑精炼器（HTR）、结合外观与拓扑可信度的混合信任机制（HTM）。在眼底照相、OCTA和电镜图像上验证，其重叠指标与拓扑指标均显著优于现有最优方法。