FairEnc：面向青光眼检测的公平性视觉语言模型
摘要
研究团队提出FairEnc方法，通过联合优化视觉与文本编码器，实现对种族、性别、民族和语言等多重敏感属性的去偏。该方法在哈佛FairVLMed公开数据集上显著降低DPD和DEOdds指标下的群体差异，并在零样本和线性探针评估中保持强诊断性能；在私有FairFundus数据集上验证了跨域跨模态泛化能力。
信息来源： PubMed Ophthalmology 发布于 2026年12月1日
要点速览
- FairEnc在Harvard-FairVLMed数据集上降低DPD和DEOdds指标，提升青光眼检测的群体公平性
- 采用双路径去偏：文本端用大模型生成带敏感属性的合成临床描述+对比对齐；视觉端结合互信息正则与多判别器对抗学习
- 在私有FairFundus数据集上验证了跨域跨模态泛化能力，诊断性能保持在竞争水平
本站解读
这项研究折射出一个正在加速成型的底层趋势：眼科AI正从‘能用’走向‘敢用’，核心瓶颈已从算法精度转向临床可信度，而公平性正是可信度的基石。当模型在不同人群间表现不一致，哪怕平均准确率再高，也会在真实诊疗中放大健康不平等——尤其在中国，基层医院面对高度异质的城乡、民族、方言区患者，若AI工具隐含地域或语言偏差，可能误判藏族农牧民的视盘图像或忽略粤语描述中的关键症状。
受益者是具备多模态数据治理能力的平台型机构和监管方，承压者则是依赖单一标注队列训练、未做交叉人口验证的中小AI公司。原文中FairEnc在Harvard-FairVLMed数据集上同时降低DPD和DEOdds，说明公平性可量化、可优化，而非仅靠伦理声明。这将倒逼国内青光眼AI产品注册时必须提交分亚组性能报告，预计2-3年内成为NMPA三类证审评隐性门槛。
后续需紧盯两个信号：一是国内是否出现类似FairFundus的中文多中心公平性基准数据集；二是已有获批眼科AI产品（如用于杯盘比分析的软件）是否启动公平性重测并披露结果。
常见问题
这个新AI模型能保证对我这种少数民族老人也准吗？
目前不能保证，但FairEnc这类技术正推动AI向更公平方向发展。中国尚未建立覆盖多民族、多方言的青光眼AI公平性测试标准，现有获批产品多数基于汉族城市人群数据训练，对少数民族患者的适用性有待验证。如有疑虑可咨询眼科医生，特别是有青光眼家族史或长期眼压偏高者。
以后看病是不是全靠AI，医生不用看了？
不会。FairEnc这类模型只是辅助工具，目标是帮医生更公平地识别高风险人群，而非替代临床判断。在中国，所有AI辅助诊断软件都属于医疗器械，必须由执业医师审核结果后才能用于诊疗。目前尚无任何眼科AI获准独立出具诊断结论，如有疑虑可咨询眼科医生。
延伸阅读
AI量化OCT层衰减揭示地理萎缩结构功能关系
研究基于两项III期临床试验（Chroma和Spectri）共1519例地理萎缩（GA）患者数据，利用AI自动分割OCT图像，计算ELM、EZ和RPE层的衰减面积，并与BCVA、低亮度视力（LLVA）、阅读速度及微视野检查结果关联。结果显示：中央1mm区ELM损失面积与BCVA显著相关（r=-0.46），而LLVA更关联3mm环形区EZ损失；微视野中暗点数量与ELM/EZ总损失高度相关（r=0.67）。研究证实GA中解剖损伤位置决定功能缺损模式。
法国建成国家级罕见眼病数据仓库
法国启动FREDD项目，构建全国性、可互操作的罕见眼病数据仓库，由INSERM主导，采用三层集中架构，整合临床数据与眼科影像。2024年4月获监管批准，2025年3月在5家中心启动采集，首年纳入1649例视网膜色素变性患者（占全国登记病例20.3%），收集超1万张眼科图像。项目验证了在强监管环境下建设专科化多模态数据库的可行性，但长期可持续性依赖成本回收机制。
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）。