深度学习从眼底照预测RNFL厚度并生成青光眼诊断似然比
摘要
研究开发了一种深度学习算法，通过普通眼底彩色照片预测视网膜神经纤维层（RNFL）厚度，并将连续预测值转化为青光眼诊断的似然比。研究纳入232名青光眼性视神经病变患者和127名健康对照者，采用横断面设计。结果显示，算法预测的RNFL厚度在青光眼组显著更低（71.3±10.6 μm vs. 95.5±7.2 μm），AUC表现良好，支持个体化概率化诊断。
信息来源： PubMed Ophthalmology 发布于 2026年10月1日
要点速览
- 研究基于232例青光眼患者和127例健康对照者的横断面数据，用深度学习从眼底照预测RNFL厚度。
- 采用机器对机器（M2M）训练方式，以SD-OCT实测值为金标准，预测值在两组间差异显著（71.3±10.6 μm vs. 95.5±7.2 μm）。
- 首次将连续AI预测值转化为诊断似然比，支持个体化后验概率计算，而非二分类输出。
本站解读
这项研究把AI输出的连续RNFL厚度值，转化成了医生能直接用的诊断似然比——相当于给每个眼底照配一个‘青光眼可能性分数’，而不是简单说‘阴性/阳性’。样本量共359人（232+127），属中等规模横断面研究，虽未做前瞻性验证或真实世界部署测试，但方法学上用ROC框架推导连续似然比，逻辑扎实，比多数‘AI分类器’更贴近临床决策需求。
短期内难改变常规诊疗：当前标准仍是OCT检查，而该算法依赖高质量眼底照，且未说明对不同设备、拍摄质量、屈光介质混浊的鲁棒性。它不是替代OCT，而是为资源有限场景（如基层初筛）提供概率化辅助工具。国内情况有待确认。
普通人无需因此改变行为——眼底照仍是筛查手段之一，不能单凭AI预测自我判断。如有视物模糊、视野缺损等疑虑可咨询眼科医生，但不必因这项技术进展增加检查频次或更换就诊方式。
常见问题
这个AI看眼底照就能查出青光眼吗？
不能单独靠它确诊青光眼。它只是把眼底照里的信息转化为一个概率分数，提示青光眼可能性高低，最终诊断仍需结合眼压、视野、OCT等检查。目前该方法处于研究阶段，尚未作为独立诊断工具使用。如有视物异常或家族史，可咨询眼科医生评估是否需要进一步检查。
以后拍个眼底照就能知道得没得青光眼？
还不能。这项技术目前只在研究中验证了预测RNFL厚度的能力，且依赖高质量眼底照和已知诊断的对照数据。它不替代OCT或临床综合判断，也不能直接给出‘是或否’结论。未来若整合进筛查流程，可能帮助医生更快识别高风险人群，但普通人仍需专业评估。
延伸阅读
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预测青光眼视野缺损的系统综述
研究系统回顾了36项利用人工智能基于OCT结构数据预测青光眼视野功能变化的论文。这些模型可预测全局视野指数、点位敏感度或视野进展趋势，性能因任务类型、OCT设备、视野检测模式和验证方式而异。部分研究采用热图、遮挡图等技术解释模型决策，生成的结构-功能映射与临床认知一致。但现有模型在晚期青光眼中表现下降，且受限于OCT扫描范围较窄。
深度学习模型诊断眼弓形虫病的准确性评估
研究系统回顾并荟萃分析了16项使用眼底照相诊断眼弓形虫病（OT）的深度学习模型。其中9项研究共24种模型纳入定量分析，汇总敏感度为96.5%，特异度为95.5%，诊断优势比达594.1。但81.2%的研究仅依赖单一巴拉圭数据集（OTFID），存在地域偏倚和泛化能力不足问题。