人工智能用于角膜内皮病变与内皮移植:综述评估临床成熟度
摘要
这篇综述沿着角膜内皮病变的诊疗路径梳理人工智能的应用,检索范围为2011年至2026年7月发表的研究,并按转化成熟度而不只是区分能力来评价各项应用。与可重复的人工参照标准比对的任务表现最好,如内皮细胞分割、图像质控、水肿与角膜厚度图,以及DMEK植片脱离的量化。预后类任务和跨设备、跨术者、跨中心应用时表现下降。作者提出,临床转化需要多中心外部验证、透明报告和前瞻性临床影响研究。
信息来源: PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- 综述检索2011年至2026年7月的研究,按转化成熟度评价角膜内皮病变中的人工智能应用
- 内皮细胞分割、图像质控、DMEK植片脱离量化等测量类任务表现最好
- 一个FECD检测模型外部验证后AUC从0.96降到0.77,19项FECD研究中仅3项做了外部验证
- FECD分期、术后失代偿预测、排斥和植片存活预测仍属研究阶段
本站解读
这是一篇综述,评价的是人工智能在角膜内皮病变和内皮移植各环节的应用到了什么程度。作者的结论是,最成熟的是测量和质量控制类任务,包括眼库里自动评估供体内皮细胞密度。FECD(Fuchs角膜内皮营养不良)分期、白内障术后失代偿预测、是否需要重新注气(rebubbling)、排斥和长期植片存活,仍处在研究阶段。
综述给出了一个具体例子:一个FECD检测模型经外部验证后,曲线下面积(AUC)从0.96降到0.77。另据2025年一篇系统综述,19项FECD研究中只有3项做了外部验证。校准、不确定性量化、决策曲线分析和前瞻性人机对比也都不常见。综述自己的检索是有针对性的PubMed/MEDLINE检索,不等于穷尽所有文献。
我们的判断是,这篇综述的价值在于给出了一把衡量“能不能用”的尺子:测量类工具离临床更近,预测类工具还要补外部验证和前瞻性研究。这一结论在国内人群中是否成立有待确认。
常见问题
人工智能现在能帮我判断角膜内皮病变会不会变严重吗?
目前还不能。这篇综述指出,FECD分期、白内障术后失代偿预测、排斥和长期植片存活等预后类任务仍属研究阶段,换设备、换术者或换中心后表现会下降。较成熟的是测量和质量控制类任务。具体病情判断以医生检查为准,如有疑虑可咨询眼科医生。
这项研究和做角膜内皮移植的人有关系吗?
有一定关系,但主要是技术层面。综述提到,DMEK植片脱离的量化等任务已有较好的技术表现,眼库里自动评估供体内皮细胞密度也属于较成熟的应用。不过作者强调,进入临床前还需要多中心外部验证和前瞻性临床影响研究。如有疑虑可咨询眼科医生。
延伸阅读
眼科AI从诊断准确率到临床应用:一篇综述的观点
这篇综述指出,眼科人工智能的一个持续难题是,擅长图像分类的系统很少带来患者结局的改善。作者认为主要障碍包括数据偏倚、域偏移和标签噪声,缺少前瞻性随机部署试验,也常忽视以患者为中心的目标、成本效益和公平性。解决需要严格的外部验证、明确的决策标准和真实临床中的持续监测。
人工智能在神经眼科影像中的应用:叙述性综述
这是一篇叙述性综述,梳理已发表研究中人工智能在部分神经眼科疾病里的应用,重点讨论筛查、诊断和病情进展评估中的优点、局限与挑战。作者认为,深度学习和卷积神经网络在解读眼底照相、光学相干断层扫描(OCT)和磁共振成像方面显示出潜力,可用于视神经乳头异常的筛查、特征描述和监测,但多数应用仍处于研究、回顾性验证或概念验证阶段。
AI用于脉络膜影像分析的综述:潜力与障碍
这篇综述介绍人工智能在脉络膜成像中的应用。脉络膜是富含血管的一层,为外层视网膜提供营养,可能反映全身微血管健康。AI可自动增强、分割和分析脉络膜图像,有助于发现与眼病和全身疾病相关的脉络膜生物标志物。作者指出,解剖结构复杂、成像方案不统一、缺少大规模标注数据集阻碍了AI的应用,要把AI得出的脉络膜指标作为可靠的诊断和预后工具,必须先克服这些障碍。