用眼底照片预测糖尿病肾病的AI模型效果评估
摘要
这项系统综述与荟萃分析评估了深度学习模型仅用眼底二维图像、或结合临床数据，检测和预测糖尿病相关肾病（DRKD）的效果。共纳入6项研究，其中3项混合模型用于荟萃分析，合并AUC为0.88，敏感度0.80，特异度0.81，但异质性极高（I² 93.7%-99.8%）。另有1项纵向研究预测5年DRKD风险，AUC为0.81。研究指出模型有潜力，但因研究数量少、设计差异大，结果普适性受限。
信息来源： PubMed Ophthalmology 发布于 2026年10月1日
要点速览
- 共纳入6项研究，其中3项混合模型用于荟萃分析，合并AUC为0.88，敏感度0.80，特异度0.81
- 使用眼底图像联合临床数据的混合模型，在DRKD检测中表现优于纯眼底图像模型（ΔAUC 0.03–0.11）
- 仅1项纵向研究预测5年DRKD风险，AUC为0.81，敏感度0.70，特异度0.77
本站解读
这项研究发现，把眼底照片和血糖、血压等临床数据一起喂给AI模型，能较稳定地识别出已有糖尿病肾病的患者——汇总AUC达到0.88，相当于模型在100个真实病例中能较准确区分约88个。但支撑这个结论的只有3项研究、且彼此差异极大（I²超93%），说明当前证据非常单薄，远未到能直接进诊室的地步。
研究本身质量尚可，用了QUADAS-2和PROBAST+AI双工具评估，但样本量和研究数是硬伤：总共367篇文献里只筛出6篇合格，其中仅1项做了5年风险预测。这意味着AI目前连‘未来会不会得肾病’都只能勉强打个及格分（AUC 0.81），更别说指导用药或干预时机。
短期内它不会改变医生做法——没有外部大规模验证，也没有统一数据标准，医院没法直接部署。对普通人而言，无需因这项研究改变现有检查节奏；眼底照相仍是糖尿病管理常规项目，但不能把它当作肾病诊断依据。如有疑虑可咨询眼科医生。
常见问题
用拍眼底照片就能查出我有没有糖尿病肾病吗？
目前还不能单靠眼底照片确诊糖尿病肾病。这项研究显示，结合眼底图像和临床数据的AI模型检测效果较好（AUC 0.88），但所有结果均来自小规模研究，尚未用于实际临床诊断。确诊仍需尿蛋白、血肌酐等实验室检查。如有疑虑可咨询眼科医生。
AI看眼底能提前几年预测肾病吗？
目前仅1项研究尝试预测5年内的糖尿病肾病风险，模型AUC为0.81，说明有一定预测能力但不够强。该结果未经过独立人群验证，也未与其他成熟风险评分比较，离临床实用还有距离。如有疑虑可咨询眼科医生。
延伸阅读
AI驱动糖尿病视网膜病变研究的演进图谱
该研究对1996–2026年间全球12741篇AI用于糖尿病视网膜病变（DR）的文献开展计量分析，揭示其发展分为三个阶段：传统机器学习（1996–2014）、深度学习爆发（2015–2019）、Transformer模型兴起（2020至今）。美国、中国、印度为合作枢纽，新加坡产出高影响力成果。研究热点正从单病种分类转向多模态融合，基础仍为算法创新与临床验证，挑战在于数据整合、罕见病证据不足及跨场景验证。
深度学习自动识别糖尿病视网膜病变中的IRMA
研究团队开发了一种名为CE-U-Net的深度学习算法，用于在扫频源OCT血管成像（SS-OCTA）上自动分割和计数视网膜内微血管异常（IRMA）。该算法在254只眼（181名患者）中进行了验证，覆盖非增殖期（NPDR，60.2%）和增殖期（PDR，39.8%）糖尿病视网膜病变。算法在不同扫描范围（6×6 mm、12×12 mm、29×24 mm）上均表现出良好一致性，IRMA计数与人工标注高度吻合（ICC最高达0.86），且IRMA数量随DR严重程度上升而显著增加。
AI自动识别OCT图像中的微动脉瘤
研究团队开发了一种基于三维卷积神经网络的AI模型，用于在糖尿病视网膜病变患者的光学相干断层扫描（OCT）图像中自动识别并三维分割微动脉瘤（MAs）。研究纳入125名受试者，涵盖健康眼及各期非增殖性和增殖性DR。模型在测试集上对单次扫描和多次平均扫描的微动脉瘤检测F1分数分别达96.0%和97.1%，并能定位其在内核层和外丛状层的分布。纵向分析显示该模型可追踪治疗前后微动脉瘤的消退与新生。