AI辅助三级青光眼筛查模型的构建与验证
摘要
这是一项在中国社区开展的集群随机对照试验，旨在建立并验证一种适用于中国人群的AI辅助三级青光眼筛查模型。研究将招募28,275名40-80岁社区居民，分为无筛查组、常规筛查组和三级筛查组，随访至少6年。三级筛查包括高危问卷初筛、眼科检查（结合医生与AI图像判读）和三甲医院确诊。主要终点是青光眼检出率，并评估AI判读准确性及不同策略的成本效果。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- 研究拟在社区招募28,275名40-80岁参与者，开展至少6年随访的集群随机对照试验。
- 三级筛查模型包括高危问卷初筛、AI与医生联合判读的眼科影像检查、三甲医院确诊。
- 主要终点为青光眼检出率，同时评估AI判读准确性及不同筛查策略的成本效果。
本站解读
这项研究的核心结论是：用AI辅助的三级筛查模式，可能比现有方式更早、更准、更省地发现青光眼——尤其针对中国社区人群，因为目前尚无被认可的本土化筛查模型。样本量达28,275人，采用集群随机设计并设三组对照，且含6年以上随访，方法学扎实；但AI图像判读是否真能稳定优于医生，还需看最终公布的敏感性和特异性数据。
短期内不会改变临床做法。论文结果尚未出来，即使阳性，从验证到写入指南、培训基层医生、部署AI系统，至少还需3-5年。普通人无需因这项研究立刻做任何事，青光眼早期无症状，常规体检若未包含眼底照相或眼压检查，也不必自行加项；如有家族史或视物模糊等疑虑，可咨询眼科医生。
国内情况有待确认。
常见问题
这个AI查青光眼的方法，现在能在我家附近社区医院用上吗？
不能，目前还处于研究阶段，尚未在社区医院实际应用。该试验正在构建和验证模型，结果发表并经过政策评估后，才可能逐步推广。现阶段社区筛查仍以传统方式为主，如视力检查、眼压测量等。如有青光眼家族史或视野异常等疑虑，可咨询眼科医生。
AI看眼底照片，真的比医生还准吗？
研究尚未公布结果，因此无法判断AI是否比医生更准。本试验明确将对比‘医生判读’和‘AI辅助判读’的诊断准确性，作为次要终点之一。只有等6年随访结束、数据完成分析并发表后，才能得出可靠结论。目前AI是辅助工具，不能替代专业医生综合判断。
延伸阅读
早期青光眼视野进展预测模型比较研究
研究通过模拟早期青光眼患者的视野数据，对比四种预测方法：个体化一阶自回归模型（AR(1)）、普通线性回归（OLR）、群体级长短期记忆网络（LSTM）和朴素基线预测。结果显示，在检查次数较少时（如前6–11次），LSTM误差最低；但随着检查次数增加，尤其在中、快速进展患者中，AR(1)的预测精度反超LSTM。评估指标为RMSE和点均绝对误差（PMAE）。
两种AI系统联合使用提升青光眼筛查准确率
研究评估了Laguna ONhE和VUNO Med-Fundus AI两款商用AI系统在彩色眼底照相（CFP）上独立及联合诊断原发性开角型青光眼的准确性。共纳入193名患者370只眼（248只青光眼眼，122只健康眼），以扫频OCT和视野检查为金标准。结果显示，Laguna AUC为0.879，VUNO为0.857，二者联合达0.903，接近金标准指标GMD的0.916，差异不显著（p=0.146）。
本地医疗大模型精准识别青光眼风险因素
研究团队使用MedGemma-27B-text-it本地医疗大模型，分析2014至2024年间1250例青光眼相关临床记录，评估其识别用药依从性差、随访失约及家族史的能力。结果显示，模型在识别用药非依从性（准确率0.91）、随访非依从性（准确率0.96）和家族史（准确率0.98，Jaccard指数0.99）方面远超结构化电子病历字段（家族史准确率仅0.49）。研究证实本地化大模型可高效挖掘自由文本中的隐性风险信息。