黄斑中心与视盘中心眼底照相在眼龄预测中的表现比较
摘要
该研究回顾性分析了5895名40岁以上患者（共12230对同日拍摄的黄斑中心与视盘中心彩色眼底照相），比较两种拍摄方式在深度学习年龄预测中的准确性及与疾病关联性。结果显示，黄斑中心照相的平均绝对误差更小（7.09年 vs 7.77年），两类预测结果整体一致性高（ICC=0.83），但存在系统性偏差。视网膜年龄差（RAG）与年龄相关性黄斑变性显著相关（OR=3.57），且该关联不受拍摄中心位置影响。
信息来源： PubMed Ophthalmology 发布于 2026年6月1日
要点速览
- 研究基于5895名≥40岁患者的12230对同日黄斑中心与视盘中心眼底照相，开展深度学习年龄预测比较。
- 采用已验证的深度学习模型分别预测年龄，并以平均绝对误差（MAE）、组内相关系数（ICC）和Bland-Altman分析评估性能。
- 黄斑中心照相MAE为7.09年，低于视盘中心的7.77年；RAG与AMD显著相关（OR=3.57），且该关联不因拍摄中心不同而改变。
本站解读
这项研究用近1.2万张高质量配对眼底照相证实：黄斑中心照相比视盘中心照相在AI预测年龄上略准——误差小0.68年，虽差距不大，但统计学显著；更重要的是，无论用哪种照片算出的‘视网膜年龄差’，都能同样稳定地提示AMD风险，说明临床研究中不必强求统一拍摄位点，提升了真实世界数据采集的灵活性。
研究设计扎实：单中心十年跨度、超5800例患者、同一人同日双视角配对，控制了个体差异和时序混杂，可信度高于多数横断面AI研究；但毕竟是回顾性分析，且全部来自专科医院人群，外推到普通社区还需验证。
短期内不会改变临床操作——目前没有指南或产品将‘视网膜年龄差’纳入常规评估，更未进入诊疗路径；它仍是科研工具，离辅助诊断还有距离。国内情况有待确认。
常见问题
用我的眼底照相能算出眼睛老了多少岁吗？
目前还不能作为常规检查提供给个人。这项研究是在实验室环境下用大量标准化照片训练AI模型得出的结果，尚未转化为临床可用的检测服务。即使未来应用，也需结合其他检查综合判断。如有疑虑可咨询眼科医生。
黄斑中心和视盘中心拍的眼底照，哪个更有用？
从这项研究看，黄斑中心照相在AI年龄预测上略准（MAE小0.68年），但两者算出的‘视网膜年龄差’与AMD的关联强度一致。因此，在科研中两种都可用；临床常规检查仍以疾病导向为准，比如查黄斑病优先拍黄斑中心。
延伸阅读
深度学习算法在眼底照相中识别青光眼的外部验证
研究对外部人群队列（鹿特丹研究，50-80岁共9837名参与者、19088只眼）验证了一种基于彩色眼底照相（CFP）的深度学习算法，该算法曾获AIROGS挑战赛冠军，训练数据为101442张黄斑中心CFP。结果显示：在95%特异性下，眼水平敏感度为70.6%，ROC-AUC为0.911；真阳性者视野损害更重（平均偏差-10.8 vs -5.8 dB）；54%的真阳性者在确诊前4–7年即被算法标记；视盘中心CFP比黄斑中心CFP判别性能略优；视神经乳头显示不全显著降低阳性预测值。
深度学习模型可准确区分脉络膜萎缩与相似眼病
研究开发并验证了三种深度学习模型，用于基于黄斑OCT容积图像区分脉络膜萎缩（CHM）、USH2A相关杆锥细胞营养不良及健康对照。数据来自262名参与者共535个OCT容积（Heidelberg Spectralis设备采集），其中80个容积进入独立测试集。结果显示，模型在测试集上体积级准确率和加权F1分数均优于两名不知情的眼科医生，且简单切片聚合与复杂混合架构性能相近。
CNN、Transformer与Mamba模型在眼病分类中的性能对比
研究首次将Mamba架构应用于彩色眼底图像的多类别眼病自动分类，并在相同实验条件下对比了6种CNN、Transformer和Mamba模型在Eye Disease Image Dataset（EDID）上的表现。结果显示三类模型整体性能相近；对前三名模型进行logit级集成后略有提升，表明它们捕捉的视觉特征存在部分互补性。研究还指出，结构特征明显的眼病识别更稳定，而特征细微或重叠的类别仍具挑战性。