人机协同在眼科诊断中的两种路径
摘要
该论文提出医学中AI应用的两种范式：'outskilling'（能力外延）与'newskilling'（能力创生）。前者如AI辅助结肠镜检出息肉，虽提升效率但可能削弱医生判断力，且未证实改善关键临床结局；后者如从眼底照相中提取‘视网膜年龄差’这一人类无法直接识别的新变量，拓展临床认知边界。作者强调需审慎设计AI用途，并明确区分何时适用哪种模式。
信息来源： PubMed Ophthalmology 发布于 2026年2月17日
要点速览
- 论文提出AI医疗应用的两种范式：outskilling（如AI辅助检出结肠息肉）与newskilling（如从眼底照相推导‘视网膜年龄差’）
- outskilling可能带来医生‘去技能化’风险，且未证实改善有意义的临床结局；newskilling则旨在发现人类推理无法识别的新变量
- 核心结论是必须审慎设计AI用途，并具备能力辨识何时采用outskilling、何时追求newskilling
本站解读
这项研究没报告新数据或临床试验结果，而是提出一个概念框架——把AI在医疗中的角色分为‘外延型’和‘创生型’。它用结肠息肉CADx系统作outskilling例子，指出这类工具可能让医生过度依赖AI而弱化自身判读能力，且尚未证明能降低死亡率或改善患者生活质量；而用‘视网膜年龄差’作为newskilling实例，说明AI可从眼底图像中挖掘出人类经验无法捕捉的生物标志物。这种区分很关键：前者是替代性增强，后者是认知性突破。目前多数眼科AI产品仍属outskilling范畴，比如糖网筛查软件，重在提速而非发现新病理维度。真正落地newskilling，需要临床深度参与建模、验证变量生物学意义，周期长、门槛高。国内情况有待确认。
短期内，这不会改变门诊流程或检查项目。普通人无需调整用眼习惯或筛查频率，更不必因‘视网膜年龄差’概念焦虑。如有疑虑可咨询眼科医生。
常见问题
AI看眼底照片能比医生更早发现疾病吗？
目前多数AI眼底分析工具属于‘能力外延’型，主要提升筛查效率和一致性，但尚无可靠证据表明它们能比经验丰富的医生更早发现有临床意义的病变。其价值在于扩大基层筛查覆盖，而非取代医生判读。如有疑虑可咨询眼科医生。
听说AI能算出‘视网膜年龄’，这能预测我得病的风险吗？
论文提到的‘视网膜年龄差’是AI从眼底图像中识别出的新变量，代表视网膜生理年龄与实际年龄的偏差，目前仅作为研究概念存在，尚未确立与具体疾病风险的因果关系或临床阈值。它不用于个体风险预测，也不改变当前诊疗路径。
延伸阅读
AI辅助干燥综合征唾液腺分型研究综述
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。
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）。