人工智能用于泪道疾病:叙述性综述梳理应用与转化障碍
摘要
这篇叙述性综述梳理了人工智能在泪道疾病中的应用,涵盖机器学习、深度学习、影像组学和大语言模型。已有研究显示,模型可用于区分解剖性与功能性溢泪、通过前节OCT图像筛查泪道阻塞、预测泪囊炎、在泪道造影上定位阻塞,以及在锥束CT上分割骨性鼻泪管。ChatGPT和DeepSeek在泪道知识测试中表现中等但进步很快。作者指出该领域仍处于早期、以单中心研究为主,需要外部验证和前瞻性评估。
信息来源: PubMed Ophthalmology 发布于 2026年10月1日
要点速览
- 叙述性综述涵盖机器学习、深度学习、影像组学和大语言模型在泪道疾病中的应用
- 已有研究涉及溢泪分类、泪道阻塞筛查与定位、泪囊炎预测和鼻泪管分割
- ChatGPT和DeepSeek在泪道知识测试中表现中等但进步很快
- 作者称该领域仍处早期、以单中心研究为主,需外部验证和前瞻性评估
本站解读
泪道疾病在眼整形科很常见,原文指出现有诊断检查往往带有主观性、依赖操作者,有时还有创伤。这篇综述梳理了AI在这一领域的几类用法:在泪道闪烁显像上区分解剖性与功能性溢泪,用前节OCT的泪河图像筛查泪道阻塞,用眼表指标预测泪囊炎,在泪道造影上检测并定位阻塞,用nnU-Net v2架构在锥束CT上分割骨性鼻泪管。
这是叙述性综述,不是新的临床研究,摘要没有给出样本量或准确率数字。作者自己承认,该领域仍处于早期、以单中心研究为主,并称图像模型在定义清楚的任务上已接近临床医生水平,这是作者的概括,尚待外部验证和前瞻性研究支持。
我们的判断是,AI用于泪道疾病目前仍属概念验证阶段,距离进入常规诊疗,还需要外部验证、泪道影像数据集标准化以及与临床流程的衔接。
常见问题
泪道堵塞,现在能靠AI来诊断吗?
目前还不是常规诊疗工具。综述显示,已有模型在影像上筛查或定位泪道阻塞,但作者指出该领域仍处于早期、以单中心研究为主,需要外部验证和前瞻性评估。具体检查和诊断仍由医生判断,如有疑虑可咨询眼科医生。
AI能让泪道手术更精准吗?
有这个方向,但还是概念验证。综述提到,模型已能在锥束CT上分割骨性鼻泪管,作者认为这类分割网络的精度正在提高,可能支持手术规划。不过原文同时强调,转化为常规应用还需要外部验证和与临床流程的结合。
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。