AI眼底筛查需打通从检测到治疗的全链条
摘要
这篇综述指出，AI眼底筛查在糖尿病视网膜病变（DR）诊断中已展现出高准确性，但仅靠算法性能无法转化为实际公共卫生效益。研究强调必须覆盖图像采集、结果反馈、转诊落实、治疗可及性及弱势群体障碍等环节，提出涵盖技术有效性、服务整合、人群影响和公平可持续性的四维框架，并呼吁未来研究聚焦筛查覆盖率、图像可判读率、转诊完成率、治疗启动时间、可避免的视力丧失等真实世界结局。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- AI眼底筛查已在眼底照相、智能手机平台和全自动系统上展现出高诊断性能，但诊断准确不等于公共卫生获益。
- 研究提出四维框架评估AI筛查效果：技术有效性、服务整合、人群影响、公平与可持续性。
- 未来研究应优先关注筛查覆盖率、图像可判读率、转诊完成率、治疗启动时间、可避免的视力丧失等真实世界指标。
本站解读
这项综述的核心结论很实在：AI能不能‘看出’糖尿病视网膜病变，已经不是问题；真正卡脖子的是——谁拍了照片、照片能不能看清、结果有没有人看、看了之后有没有人管、管了之后能不能及时治疗。它点出了一个常被忽略的事实：近期综述显示AI系统在眼底照相、智能手机平台和全自动系统上都表现‘高诊断性能’，但这个‘高’只停留在实验室或单点验证层面。研究本身是观点型综述，不提供新数据，但整合了现有证据，逻辑严密，立场鲜明。
临床做法短期内难有根本改变，因为目前多数AI工具仍止步于‘辅助识别’，而转诊漏斗、基层眼科资源短缺、偏远地区患者交通与费用障碍等问题，远非一个算法升级能解决。政策重心正从‘能不能检出’转向‘能不能闭环’。国内情况有待确认。
普通人无需因此调整日常行为，也不必担心AI会替代医生——恰恰相反，它提醒我们：一次筛查结果只是起点，后续是否跟进检查、是否按建议转诊、是否持续控糖控压，才真正决定视力能否保住。如有疑虑可咨询眼科医生。
常见问题
AI查出我有糖尿病视网膜病变，是不是就等于确诊了？
不是。AI筛查只是初步识别异常，不能替代专业眼科医生的综合评估和确诊。它可能提示需要进一步检查，比如光学相干断层扫描（OCT）或眼底荧光血管造影。最终诊断、分期和治疗方案必须由眼科医生根据临床检查结果确定。如有疑虑可咨询眼科医生。
用手机拍眼底照就能查糖尿病眼病，以后不用去医院了？
手机拍照只是筛查手段之一，前提是图像质量合格且系统经过充分验证。即使AI判断‘阴性’，也不能排除病变；判断‘阳性’更需及时由眼科医生复核并制定干预计划。目前所有AI平台都定位为辅助工具，不能取代医院的专业诊疗流程。如有疑虑可咨询眼科医生。
延伸阅读
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。
超广角OCTA联合临床指标识别2型糖尿病早期视网膜病变
该研究纳入1676名2型糖尿病患者，其中1047人用于训练、453人用于内部测试、176人来自社区的外部验证集。研究结合超广角光学相干断层扫描血管成像（UW-OCTA）图像与临床指标（如病程、糖化血红蛋白、低密度脂蛋白胆固醇和收缩压），构建多模态深度学习模型。结果显示，多模态模型在内部和外部验证集中AUC分别为0.921和0.849，优于仅用图像或仅用临床数据的模型，提示其有助于无创识别早期糖尿病视网膜病变。
FedMediFormer-XAI：面向糖尿病的联邦多模态AI框架
该研究提出FedMediFormer-XAI框架，整合联邦学习、多模态Transformer、扩散模型数据增强、图神经网络（GNN）药物推荐和可解释AI（XAI），用于糖尿病预测与个性化用药推荐。系统融合临床记录、眼底图像、动态血糖监测、可穿戴设备数据等多源异构信息。在代表性实现中，疾病预测准确率达94.2%，AUC-ROC为0.96；药物推荐模块NDCG达0.91。