跳转到主要内容
学术研究

血液检测可筛查致盲性眼病风险

Nature - Eye Research (2026年4月6日)

摘要

研究团队利用常规血液检测数据,开发了基于机器学习的多病种眼病筛查框架(MES),用于识别致盲性眼病高风险人群,并区分七种常见致盲性眼病。模型使用93,839人的数据开发,在33,622人中完成内部验证,又在三个外部队列(共34,087人)、一个前瞻性医院队列(43,556人)和一个498,095人的人群队列中评估。检测任何眼病的曲线下面积(AUC)为0.9264–0.9561,阳性预测值为0.9127–0.9260。作者认为该框架可作为分诊辅助工具,帮助优先安排眼科确诊检查。

信息来源: Nature - Eye Research 发布于 2026年4月6日

要点速览

  • MES框架基于常规血液检测数据,通过机器学习识别致盲性眼病高风险个体,并区分七类常见致盲眼病。
  • 模型在33,622人中内部验证,并在三个外部队列、一个前瞻性医院队列和一个498,095人的人群队列中评估。
  • 检测任何眼病的AUC达0.9264–0.9561,阳性预测值0.9127–0.9260,作者将其定位为分诊辅助工具。

本站解读

这项研究的思路是用抽血化验数据间接判断眼病风险:模型先判断一个人是否可能有致盲性眼病,再区分是七种常见致盲眼病中的哪一种。开发数据来自93,839人,之后在外部队列、一个43,556人的前瞻性医院队列和一个498,095人的人群队列中检验,检测任何眼病的AUC在0.9264到0.9561之间,不同年龄和合并症亚组中表现也比较稳定。多队列验证让结论比单一数据集的AI研究更可信。

它的定位要看清。作者把MES称为分诊辅助工具,作用是找出更需要去眼科检查的人,确诊仍要靠眼科评估。区分具体病种的能力(宏平均AUC 0.889–0.900)也比判断有没有眼病稍弱。

常规血检覆盖面广,这类方法如果在国内人群中得到验证,有望成为眼科资源不足地区的初筛补充;目前国内是否有医院使用这一模型有待确认。如有疑虑可咨询眼科医生。

常见问题

抽血就能查出有没有青光眼或黄斑变性吗?

不能直接确诊。研究显示,常规血液检测数据结合机器学习模型,可以提示一个人是否属于致盲性眼病的高风险人群,并初步区分七类常见致盲眼病。作者把它定位为分诊辅助工具,用来决定谁更需要尽快做眼科检查,最终诊断仍要靠眼科评估。如有疑虑可咨询眼科医生。

这个血检方法现在医院能做吗?

目前还不能当作常规检查项目。这是一项研究成果,模型虽在多个队列中验证,但要进入临床,还需要在不同医院和人群中进一步检验并完成相应审批。国内是否有医院在试用这一模型,原文没有提及,有待确认。想了解自己的眼病风险,可咨询眼科医生。

延伸阅读

学术研究

眼表摄影标准化:AI应用的瓶颈与路径

该综述指出,尽管裂隙灯彩色摄影是眼前节记录和随访的基础手段,但其采集与处理长期缺乏统一标准。眼表曲面几何、离轴照明、周边失焦、自动白平衡及瞳孔依赖的曝光变化等因素,严重制约图像可重复性、设备间可比性和临床实用性。文章系统梳理了干眼病、结膜充血、感染性角膜炎等五类眼表疾病中OSP的应用现状,并揭示当前AI模型开发受限于缺乏大规模、多人群、高质量标注的眼表图像数据集,以及缺乏可量化的稳定表型和可靠标签。

#眼表摄影#人工智能#标准化
PubMed Ophthalmology
学术研究

基于眼底照相的颈动脉内中膜厚度风险分类模型

研究提出一种名为BMA-Net的双侧注意力网络,结合视网膜领域迁移学习,利用眼底照片进行基于颈动脉内中膜厚度(CIMT)的心血管风险分类。模型先在亚太远程眼科学会(APTOS)2019失明检测数据集上预训练,再迁移到中国眼底CIMT数据集进行分类。十次独立初始化实验中,验证集宏F1均值为77.81%,AUC为84.08%;测试集分别为78.29%和85.22%,各项指标点估计高于此前的Siamese ResNeXt基线模型。

#人工智能#眼底摄影#心血管风险
PubMed Ophthalmology
学术研究

基于OCT图像的冰毒成瘾AI检测框架

研究团队开发了一种结合深度学习与机器学习的混合框架,用于从光学相干断层扫描(OCT)图像中自动识别甲基苯丙胺成瘾者。该框架使用改进的ResNet50-OCT模型提取多层特征,经多分辨率特征选择降维后,由多种核函数的支持向量机分类,并通过阈值过滤迭代多数投票融合结果。在193名受试者的3859张OCT图像上测试,10折交叉验证准确率达89.43%,留一法验证为74.07%。

#OCT#人工智能#药物成瘾
PubMed Ophthalmology