深度学习算法在眼底照相中识别青光眼的外部验证
摘要
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。
信息来源： PubMed Ophthalmology 发布于 2026年11月2日
要点速览
- 该深度学习算法在鹿特丹研究队列中实现眼水平70.6%敏感度（95%特异性），ROC-AUC为0.911，验证了其外部泛化能力。
- 算法在视盘中心眼底照相上的判别性能优于黄斑中心照相（pAUC 0.860 vs 0.802），且视神经乳头显示不全是主要假阳性来源。
- 54%的真阳性病例在青光眼视野确诊前4–7年即被算法标记，提示其具有早期预警潜力。
本站解读
这项研究证实，一个原本只用黄斑中心眼底照相训练的AI算法，在完全独立的鹿特丹人群队列中仍能较可靠地识别已出现视野缺损的青光眼——眼水平敏感度70.6%、AUC达0.911，说明它不是‘过拟合’的玩具模型，而是具备真实泛化能力的筛查工具。样本量近两万只眼、采用前瞻性人群队列设计、并做了细致的误分类定性分析和纵向追踪，方法学扎实，结果可信度高。
但它还不能替代临床诊断：每发现1例确诊青光眼，就要转诊5.1人，假阳性压力不小；且图像质量（尤其是视神经乳头是否完整显示）直接影响结果。这意味着短期内它更适合做基层初筛或体检分流，而非医院终审。真正改变临床流程，还需配套标准化拍摄规范、与OCT/视野检查联动的路径设计，以及医生对AI输出的再解读培训。
普通人无需因此改变日常习惯，也不必专门去拍眼底照相‘查AI’；如有青光眼家族史或视物模糊等疑虑，可咨询眼科医生。国内情况有待确认。
常见问题
这个AI看眼底照片真能查出青光眼吗？
它能在眼底照相中识别出已经出现视野损伤的青光眼，但在鹿特丹研究中每发现1例确诊患者，平均要转诊5.1人，说明仍有较多假阳性。它目前定位是辅助筛查工具，不能代替医生诊断和视野、OCT等金标准检查。如有疑虑可咨询眼科医生。
拍一张眼底照就能靠AI提前几年发现青光眼？
研究发现，54%被算法正确识别的青光眼患者，在最终确诊前4–7年的眼底照相中就已被标记，说明该AI具备一定早期预警能力。但前提是照片质量好、视神经乳头清晰可见；若图像不完整，误报率会明显上升。
延伸阅读
两种AI系统联合使用提升青光眼筛查准确率
研究评估了Laguna ONhE和VUNO Med-Fundus AI两款商用AI系统在彩色眼底照相（CFP）上独立及联合诊断原发性开角型青光眼的准确性。共纳入193名患者370只眼（248只青光眼眼，122只健康眼），以扫频OCT和视野检查为金标准。结果显示，Laguna AUC为0.879，VUNO为0.857，二者联合达0.903，接近金标准指标GMD的0.916，差异不显著（p=0.146）。
基于深度学习的非洲裔原发性开角型青光眼筛查模型
原发性开角型青光眼（POAG）是一种导致失明的重要疾病，尤其在非洲裔人群中发病率较高。然而，现有的AI筛查模型数据集中，非洲裔人群的数据代表性不足。本研究开发了一种基于深度学习的POAG筛查模型，使用了来自Primary Open-Angle African American Glaucoma Genetics (POAAGG)项目的64,129张眼底照片，包括1782例病例和682例对照组。该模型通过二分类器选择最具信息量的六张图像，并利用Vision-Transformer预测每张图像的POAG概率，最终通过平均概率进行诊断（AUC=0.925）。该模型在REFUGE-1数据集（中国人群）上也进行了验证（AUC=0.920），显示出其在不同人群中的普适性和有效性。该模型有望在初级保健机构及资源匮乏地区实现POAG的大规模筛查。
深度学习从眼底照预测RNFL厚度并生成青光眼诊断似然比
研究开发了一种深度学习算法，通过普通眼底彩色照片预测视网膜神经纤维层（RNFL）厚度，并将连续预测值转化为青光眼诊断的似然比。研究纳入232名青光眼性视神经病变患者和127名健康对照者，采用横断面设计。结果显示，算法预测的RNFL厚度在青光眼组显著更低（71.3±10.6 μm vs. 95.5±7.2 μm），AUC表现良好，支持个体化概率化诊断。