视网膜OCT加AI用于神经退行性疾病:文献计量分析
摘要
研究者按BIBLIO指南,从Web of Science核心合集检索到1976至2026年的1036篇文献,用bibliometrix做文献计量分析。2010年后论文量呈指数增长,2025年达到139篇的峰值。美国、德国、英国是产出和影响力的核心,期刊以《Investigative Ophthalmology & Visual Science》居首。2022年后主题转向深度学习、OCT血管成像和眼组学。
信息来源: PubMed Ophthalmology 发布于 2026年9月26日
要点速览
- 研究从Web of Science检索到1976至2026年的1036篇相关文献
- 2010年后论文量呈指数增长,2025年达到139篇的峰值
- 产出集中在美国、德国、英国,期刊核心区共19种,居首的是IOVS
- 2022年后主题转向深度学习、OCT血管成像和眼组学
本站解读
这是一篇文献计量研究,分析的对象是论文本身,不是患者。它回答的问题是:用视网膜OCT加人工智能研究神经退行性疾病,这个领域都有谁在做、做什么。检索到1036篇文献,2025年有139篇,是峰值年。作者观察到2022年后研究重心转向深度学习、OCT血管成像和眼组学。
文献计量只能反映论文数量、合作关系和主题变化,不能说明哪种方法诊断更准、临床上好不好用。摘要也没有报告任何诊断性能数据。作者自己提出,要靠经过外部验证、覆盖全球的合作,才能判断视网膜AI能否实现筛查潜力。
我们的判断是,这篇文章说明这个方向正在升温,但它不是疗效或诊断价值的证据,对普通人的就医没有直接影响。这一结论在国内研究格局中是否成立有待确认。
常见问题
用OCT加AI能提前查出老年痴呆之类的脑病吗?
这项研究回答不了这个问题。它只统计了论文的数量和主题,没有评估任何检查方法的准确性。作者的看法是,这个领域能否实现筛查潜力,取决于经过外部验证、覆盖全球的合作研究。如有疑虑可咨询眼科医生。
这项研究和普通人有什么关系?
关系不大。它是对已发表论文的梳理,没有招募患者,也没有检验检查或治疗的效果。它的价值在于让研究者看清这个方向有哪些热点、谁在合作,对个人的检查和就医没有直接指导意义。
延伸阅读
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。
眼科AI研究十年趋势分析
研究团队对2015–2025年Web of Science、Scopus和PubMed中12,911篇眼科AI原创论文开展系统性文献计量分析。发现年发文量以39.7%的复合年增长率飙升,从2015年108篇增至2025年3061篇;研究类型以开发类为主(88.3%),评估类仅占7.4%且2019年才起步;糖尿病视网膜病变(32.9%)、青光眼(17.5%)和年龄相关性黄斑变性(12.6%)是三大焦点疾病;图像模态占84.1%,文本模态自2022年起持续上升。
机器学习通过眼底影像无创识别神经退行性疾病
该综述系统梳理了利用视网膜和视神经影像结合机器学习模型诊断阿尔茨海默病、帕金森病和多发性硬化等神经退行性疾病的研究进展。由于视网膜是中枢神经系统的延伸,其结构与血管变化可反映脑部病变。现有证据表明,基于视网膜图像训练的机器学习模型在疾病分类中已展现出高准确率,为无创、便捷、早期识别这些疾病提供了新路径。