福建眼病研究构建糖尿病视网膜病变预测模型
摘要
福建眼病研究基于8211名参与者数据，训练并比较五种机器学习模型预测糖尿病视网膜病变（DR）风险。支持向量分类器（SVC）表现最优，F1-score达92.83%，AUC为0.99。SHAP分析确认五大关键预测因子：糖尿病病史、年龄、脉压差、左眼近视力和身高。研究验证了该框架在人群筛查中的稳健性与可复现性。
信息来源： PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- 研究使用福建眼病研究的8211名参与者、51个变量构建DR风险预测模型
- 五种机器学习模型中，支持向量分类器（SVC）性能最优，F1-score为92.83%，AUC为0.99
- SHAP分析确认糖尿病病史、年龄、脉压差、左眼近视力和身高为前五大预测因子
本站解读
这背后是眼科临床决策正从经验驱动转向数据驱动的底层趋势——不是替代医生，而是把基层筛查中容易被忽略的隐性指标（比如脉压差、单眼近视力）转化为可量化的风险信号。对行业格局而言，掌握高质量真实世界眼病队列数据的机构将显著受益，而依赖传统问卷或单一指标（如血糖值）的初筛工具面临淘汰压力；基层医院若缺乏模型部署能力，可能加剧筛查效率落差。在中国市场，福建眼病研究这类区域性大样本队列正成为AI模型落地的‘地基’，但目前尚未形成跨省共享机制，导致类似模型难以直接迁移至东北或西部人群。后续需重点关注两个信号：一是该SVC模型是否在浙江、广东等其他省级眼病研究中完成外部验证；二是国内三甲眼科中心是否已启动将‘脉压差+左眼近视力’纳入糖尿病患者年度眼底检查标准流程的试点。
常见问题
这个AI模型能帮我提前知道会不会得糖尿病眼病吗？
目前还不能直接用于个人预测，但该模型已在福建地区验证有效，未来可能集成进社区医院的糖尿病管理平台。中国已有多个省级眼病队列在推进类似AI工具开发，但尚未进入常规体检流程。如有疑虑可咨询眼科医生，尤其糖尿病病程超5年者应每年查眼底。
模型说的‘脉压差’是什么？我体检报告里有这个值吗？
脉压差是收缩压减去舒张压的差值，比如140/90mmHg，脉压差就是50mmHg，多数体检报告会列出。福建研究发现它和糖尿病视网膜病变风险显著相关，但国内临床尚未将其列为眼病筛查常规指标。如有疑虑可咨询眼科医生，尤其合并高血压的糖尿病患者。
延伸阅读
SSR-Stacking：基于班级关系图的儿童高度近视预测模型
研究团队提出SSR-Stacking框架，用于在基线球镜度数（SE）缺失情况下预测儿童随访终点的高度近视状态。该模型融合图神经网络与集成学习，构建以学校班级为单位的社会-环境图，并通过自监督重建机制从同班同学数据中补全缺失SE值，再经元堆叠层整合XGBoost、SVM和随机森林等分类器。评估基于一项纵向队列数据，未提供具体样本量或准确率数字。
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）。
本地医疗大模型精准识别青光眼风险因素
研究团队使用MedGemma-27B-text-it本地医疗大模型，分析2014至2024年间1250例青光眼相关临床记录，评估其识别用药依从性差、随访失约及家族史的能力。结果显示，模型在识别用药非依从性（准确率0.91）、随访非依从性（准确率0.96）和家族史（准确率0.98，Jaccard指数0.99）方面远超结构化电子病历字段（家族史准确率仅0.49）。研究证实本地化大模型可高效挖掘自由文本中的隐性风险信息。