周边视网膜出血密度可预测糖尿病视网膜病变进展
摘要
新加坡国立眼科中心开展了一项为期2年的前瞻性队列研究，纳入282名糖尿病患者（528只眼），均无或仅有非增殖性糖尿病视网膜病变。每年进行超广角眼底照相和全身评估，由中央阅片中心判读，结合AI算法量化病灶。结果显示，2年内DR进展率为9.85%，周边视网膜出血密度升高（OR=3.09）和 predominantly peripheral lesions（PPLs）存在（OR=4.00）均为独立预测因子。
信息来源： PubMed Ophthalmology 发布于 2026年5月12日
要点速览
- 研究在282名亚洲糖尿病患者中开展，共随访528只眼，2年DR进展率为9.85%
- 使用超广角眼底照相联合AI算法，客观量化周边视网膜出血密度及predominantly peripheral lesions（PPLs）
- 周边视网膜出血密度升高（OR=3.09）和PPLs存在（OR=4.00）是DR进展的独立预测因子
本站解读
这项研究发现，拍一张超广角眼底照片，重点看眼球周边区域的出血点有多密，比只看中心区更能预判糖尿病视网膜病变会不会在两年内明显恶化——有周边病变的人进展风险高出1.6倍，实际2年进展率达15.3%。研究设计扎实：前瞻性、纵向追踪、样本量达528只眼，还用AI算法客观计数，不是靠医生肉眼估测，可信度较高。
但短期内难直接改变临床常规。目前多数基层机构尚未普及超广角成像设备，AI分析工具也未嵌入主流报告系统；即便在新加坡国家眼科中心，该方法仍处于验证阶段，尚未写入指南。它更可能先推动高危人群筛查流程升级，而非替代现有随访标准。
普通人无需因此改变日常管理，控糖、控压、定期检查仍是核心。这项发现的意义在于未来可能让医生更早识别‘隐形高危者’——比如血糖血压都尚可，但周边出血已密集的人。国内情况有待确认。
常见问题
我有糖尿病，查眼底只说‘没事’，这个新指标对我有用吗？
目前还用不上。这项指标需依赖超广角成像和AI分析，在普通门诊尚未普及。即使影像显示周边有少量出血，也不代表马上会恶化；它只是帮助医生在未来更精准分层风险。如有疑虑可咨询眼科医生，当前仍应坚持按指南要求的频率复查。
AI数出血点比医生看更准吗？
研究中AI用于客观量化出血密度，减少了人工判读的主观差异，尤其对周边微小病灶更稳定。但它不替代医生综合判断——比如要结合视力、眼压、OCT等其他检查。AI是辅助工具，最终决策仍需专业医生完成。
延伸阅读
大语言模型用于糖尿病视网膜病变患者教育的评估
研究对比了ChatGPT、Gemini、DeepSeek、Doubao、Copilot和Perplexity六款大语言模型在回答50个标准化糖尿病视网膜病变患者问题时的表现。由五名评审员依据安全、准确、共情、信息质量（DISCERN、JAMA等）、透明度和可读性等维度评分。结果显示，各模型安全响应率在86.0%至94.0%之间，准确性普遍较高，但共情能力差异明显；Perplexity在信息质量指标上得分最高，Gemini可读性最佳，但所有模型的Flesch阅读易度分均低于推荐阈值。
超广角OCTA联合临床指标识别2型糖尿病早期视网膜病变
该研究纳入1676名2型糖尿病患者，其中1047人用于训练、453人用于内部测试、176人来自社区的外部验证集。研究结合超广角光学相干断层扫描血管成像（UW-OCTA）图像与临床指标（如病程、糖化血红蛋白、低密度脂蛋白胆固醇和收缩压），构建多模态深度学习模型。结果显示，多模态模型在内部和外部验证集中AUC分别为0.921和0.849，优于仅用图像或仅用临床数据的模型，提示其有助于无创识别早期糖尿病视网膜病变。
FedMediFormer-XAI：面向糖尿病的联邦多模态AI框架
该研究提出FedMediFormer-XAI框架，整合联邦学习、多模态Transformer、扩散模型数据增强、图神经网络（GNN）药物推荐和可解释AI（XAI），用于糖尿病预测与个性化用药推荐。系统融合临床记录、眼底图像、动态血糖监测、可穿戴设备数据等多源异构信息。在代表性实现中，疾病预测准确率达94.2%，AUC-ROC为0.96；药物推荐模块NDCG达0.91。