AI眼底相机由非专科人员操作筛查糖尿病视网膜病变
摘要
斯里兰卡研究测试了非专科医护人员使用Remidio FOP NM-10 AI眼底相机筛查糖尿病视网膜病变（DR）的效果。119名成人（含49名糖尿病患者）参与，设备在散瞳前后分别拍摄眼底图像，并自动生成转诊建议。散瞳前46.2%的参与者至少一只眼图像不可判读，散瞳后降至15.1%；AI诊断敏感性73.3%，特异性79.8%，图像可判读性是影响准确性的主因。
信息来源： PubMed Ophthalmology 发布于 2026年5月27日
要点速览
- 研究在斯里兰卡招募119名成人（含49名糖尿病患者），由非专科人员操作Remidio FOP NM-10 AI眼底相机采集图像。
- 散瞳前46.2%参与者至少一只眼图像不可判读，散瞳后降至15.1%；AI报告对转诊的敏感性为73.3%，特异性为79.8%。
- 结论指出该设备在散瞳后由非专科人员操作具备可行性，可作为低资源地区DR筛查的潜在工具。
本站解读
这项研究说明：经过简单培训的非专科人员，在散瞳后用AI眼底相机能较可靠地识别需转诊的糖尿病视网膜病变——关键前提是散瞳，否则近一半图像无法判读。样本量119人、单中心、无对照组，属于初步可行性验证，不是确证疗效的III期试验，但设计合理、有金标准对照（眼科医生检查），结果可信度中等。
短期内难直接改变临床做法：73.3%的敏感性意味着约三成真正需要转诊的患者会被漏掉，尚达不到大规模筛查要求；且散瞳操作在基层仍存障碍。不过，它为资源匮乏地区提供了可行路径——只要解决散瞳依从性和操作规范问题，这类工具有望成为分级筛查的入口环节。
普通人无需因此改变日常行为，但糖尿病患者应继续按医嘱定期接受专业眼底检查。国内情况有待确认。
常见问题
AI拍个眼底照片真能查出糖尿病引起的眼病吗？
能初步识别，但不完美。研究中AI判断需转诊的准确率是73.3%（会漏掉约27%真正有问题的人），前提是必须先散瞳——散瞳前近一半照片根本没法看。它适合做初筛，不能替代眼科医生检查。如有疑虑可咨询眼科医生。
社区护士用这种机器查眼睛，靠不靠谱？
在严格散瞳前提下基本靠谱。研究显示，经简短培训的非专科人员操作该设备，散瞳后图像不可判读率降到15.1%，AI判断转诊的特异性达79.8%。但敏感性仅73.3%，说明仍有漏诊风险，仍需医生复核。如有疑虑可咨询眼科医生。
延伸阅读
深度集成CNN模型提升糖网筛查准确率
研究提出一种名为RDE-DR的深度集成模型，融合ResNet50、VGG16、VGG19和DenseNet121四种预训练CNN，并采用CLAHE图像增强与七种异构融合策略，在APTOS 2019眼底图像数据集上实现最高98.64%准确率、99.78% AUC。研究强调模型鲁棒性、概率校准与决策边界稳定性，旨在支持临床辅助诊断。
Eyerobo便携眼底相机AI筛查糖尿病视网膜病变验证成功
研究验证了新型便携式免散瞳眼底相机Eyerobo FC在糖尿病视网膜病变（DR）筛查中的诊断性能。研究采用迁移学习方法，将原本在桌面式眼底相机图像（EyePACS、APTOS 2019数据集）上训练的EfficientNet-B4模型，直接用于Eyerobo FC拍摄的图像，未做任何重训练。在104只眼睛的前瞻性队列中（52例可转诊DR，52例不可转诊），其敏感度达92.3%，特异度94.2%，与桌面式Topcon TRC NW6相机基准（敏感度92.7%，特异度94.3%）相比达到非劣效性。
优化深度学习技术提升糖尿病视网膜病变检测
糖尿病视网膜病变（DR）是导致糖尿病患者视力丧失的主要原因之一，早期检测至关重要。现有的机器学习和优化方法在处理高维、异质性和复杂的视网膜图像时面临挑战。本研究提出了一种动态蝗虫优化算法（DGOA），通过自适应参数控制选择最具区分性的特征，并结合集成学习分类器，提高了模型的鲁棒性和准确性。该方法在EyePACS数据集上进行了验证，结果显示其在计算效率、泛化能力和物理信息特征提取方面具有显著优势。