RETFound Plus：基于时序眼底照相的疾病风险预测模型
摘要
研究团队开发了RETFound Plus，一种基于彩色眼底照相（CFP）的基础模型，利用304,345名参与者、共1,304,292张多时间点眼底照片进行训练，强化对疾病进展的学习能力。相比原版RETFound，它在5年系统性疾病（如中风、心梗、糖尿病、高血压）风险预测上c-index提升4–10%，在眼部疾病（如糖尿病视网膜病变、青光眼）上提升3–7%，并在多国多族裔外部数据集中表现稳定。
信息来源： PubMed Ophthalmology 发布于 2026年3月14日
要点速览
- RETFound Plus基于1,304,292张眼底照相和304,345名参与者的多访视数据训练，强调时间维度建模。
- 该模型显著提升5年系统性疾病风险预测性能，c-index提高4–10%，高于眼部疾病3–7%的提升。
- 模型在英国、美国、新加坡、香港和丹麦的外部多族裔数据集中验证结果一致。
本站解读
这项研究的核心突破在于让AI从‘看一眼就判病’升级为‘看多次、识趋势’——RETFound Plus不是简单识别当前有无病变，而是通过同一人多年的眼底照片序列，学习血管、视盘等结构随时间变化的模式，从而更准地预测未来5年是否会发生中风、心梗或糖尿病等全身性疾病。样本量超130万张图像、覆盖30余万人，且验证横跨英美新港丹五地，设计扎实，远超多数单中心回顾性研究，可信度高。
但临床落地仍有距离：模型依赖高质量、多时点眼底照相，而现实中基层筛查常为单次、单眼、图像质量不一；且它输出的是概率而非诊断，不能替代医生判断。短期内不会改变常规检查流程，但可能先嵌入区域影像平台辅助分诊。国内情况有待确认。
普通人无需因此改变日常习惯，也不必专门去拍多次眼底照。眼底检查仍是体检可选项之一，如有疑虑可咨询眼科医生。真正价值在于未来可能帮助高风险人群更早纳入慢病管理，而非推动个体立即行动。
常见问题
这个AI模型能提前几年预测我得中风或糖尿病吗？
研究显示它能在5年内预测中风、心梗、糖尿病等系统性疾病风险，预测准确性（c-index）比前代模型提高4–10个百分点。但它需要你多次拍摄高质量眼底照相，且结果是概率提示，不能替代临床诊断。如有疑虑可咨询眼科医生。
以后体检是不是必须做多次眼底照相了？
目前不需要。该模型尚处于研究阶段，未进入常规临床路径。现有体检中的眼底检查仍以单次筛查为主，是否重复拍摄取决于医生评估。RETFound Plus的价值在于未来辅助风险分层，而非改变当前检查频率。如有疑虑可咨询眼科医生。
延伸阅读
两种AI系统联合使用提升青光眼筛查准确率
研究评估了Laguna ONhE和VUNO Med-Fundus AI两款商用AI系统在彩色眼底照相（CFP）上独立及联合诊断原发性开角型青光眼的准确性。共纳入193名患者370只眼（248只青光眼眼，122只健康眼），以扫频OCT和视野检查为金标准。结果显示，Laguna AUC为0.879，VUNO为0.857，二者联合达0.903，接近金标准指标GMD的0.916，差异不显著（p=0.146）。
用眼底照片估算视网膜厚度的AI模型研究
研究开发了一种基于基础模型RETFound的深度学习框架，直接从彩色眼底照片（CFP）预测光学相干断层扫描（OCT）测得的全层视网膜厚度（TRT）图。训练数据来自AI-READI（含Topcon Maestro2和Triton两种设备配对的CFP与OCT）、OCTA-500和EyePACS。发现Maestro2测得的TRT平均比Triton厚超30微米；采用‘个体化’或‘组合式’解码策略的模型对设备特异性参考值偏差约5%，而‘随机选择’策略则趋于两设备平均值。
AI增强OCT可准确量化冠状动脉斑块负荷
研究团队开发了一种深度学习算法，用于全自动分析光学相干断层扫描（OCT）图像，以量化冠状动脉斑块负荷（PB）和血管尺寸。研究使用10例尸检人的心脏，对29支主要冠状动脉进行OCT和血管内超声（IVUS）成像，并与组织病理学金标准对比。共获得852个匹配的横截面数据，结果显示AI-OCT与病理结果的相关性不劣于IVUS，且无统计学显著差异。