多平台自动机器学习筛查糖尿病视网膜病变性能对比
摘要
研究对比了6种自动机器学习（AutoML）平台在糖尿病视网膜病变（DR）筛查中的表现，使用APTOS、DDR、EyePACS等公开数据集（共约4.9万张眼底照）训练模型，并在726例患者级独立队列中测试。以人工共识判读和FDA批准的IDx-DR系统为金标准，评估其对任意DR、可转诊DR（RDR）和威胁视力DR（STDR）的识别能力。结果显示Amazon SageMaker Canvas和AutoGluon综合性能最优，RDR识别AUC达0.93–0.94；Vertex AI表现最差（RDR AUC仅0.38）。
信息来源： PubMed Ophthalmology 发布于 2026年5月2日
要点速览
- 研究在726例患者级独立队列中评估6种AutoML平台对糖尿病视网膜病变的筛查性能
- 使用APTOS（n=5590）、DDR（n=12524）、EyePACS（n=31557）三大公开数据集统一训练
- Amazon SageMaker Canvas和AutoGluon在RDR识别中AUC达0.93–0.94，Vertex AI仅0.38
本站解读
这项研究证实，部分现成的AutoML平台——尤其是Amazon SageMaker Canvas和AutoGluon——在糖尿病视网膜病变筛查中已能达到接近临床可用的水平：Canvas在50%阈值下对可转诊DR的敏感性达88.3%，特异性85.5%，AUC最高0.94。但这类‘开箱即用’工具的性能高度依赖数据质量、标注标准和阈值设定，且不同平台差异极大，比如Vertex AI的RDR AUC只有0.38，甚至不如随机猜测。
研究设计扎实：基于三个大型公开数据集训练，再用独立的726例真实患者队列验证，还与人类共识判读及FDA已批系统IDx-DR直接对标。不过它仍是回顾性研究，未进入真实筛查场景运行，也未检验模型对不同人种、设备、拍摄条件的泛化能力。
短期内不会改变基层筛查流程——这些AutoML模型尚无监管认证，也未嵌入现有医疗IT系统；真正落地还需通过中国NMPA等机构审批、完成本地化验证，并与眼底相机、HIS系统对接。国内情况有待确认。
常见问题
AI自动看眼底照片查糖尿病眼病，现在能信吗？
目前部分AutoML平台（如Amazon SageMaker Canvas）在研究中表现较好，对可转诊DR的敏感性达88.3%，但所有模型均未经中国监管审批，也未在真实基层筛查中大规模验证。它们不能替代医生判读，仅可作为辅助初筛工具。如有疑虑可咨询眼科医生。
我体检拍了眼底照，AI说没问题，是不是就真没事？
不是。这项研究中的AI模型是在特定数据集和严格质控下测试的，实际体检照片常存在模糊、偏色、视野不全等问题，可能影响AI判断准确性。AI结果仅为参考，不能排除漏诊。如有疑虑可咨询眼科医生。
延伸阅读
AI眼底筛查需打通从检测到治疗的全链条
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。
深度学习算法在眼底照相中识别青光眼的外部验证
研究对外部人群队列（鹿特丹研究，50-80岁共9837名参与者、19088只眼）验证了一种基于彩色眼底照相（CFP）的深度学习算法，该算法曾获AIROGS挑战赛冠军，训练数据为101442张黄斑中心CFP。结果显示：在95%特异性下，眼水平敏感度为70.6%，ROC-AUC为0.911；真阳性者视野损害更重（平均偏差-10.8 vs -5.8 dB）；54%的真阳性者在确诊前4–7年即被算法标记；视盘中心CFP比黄斑中心CFP判别性能略优；视神经乳头显示不全显著降低阳性预测值。
AI驱动糖尿病视网膜病变研究的演进图谱
该研究对1996–2026年间全球12741篇AI用于糖尿病视网膜病变（DR）的文献开展计量分析，揭示其发展分为三个阶段：传统机器学习（1996–2014）、深度学习爆发（2015–2019）、Transformer模型兴起（2020至今）。美国、中国、印度为合作枢纽，新加坡产出高影响力成果。研究热点正从单病种分类转向多模态融合，基础仍为算法创新与临床验证，挑战在于数据整合、罕见病证据不足及跨场景验证。