深度学习诊断早产儿视网膜病变:荟萃分析
摘要
一项系统综述和荟萃分析评估用眼底图像诊断和分期早产儿视网膜病变(ROP)的人工智能算法。系统综述纳入14项研究,其中10项进入荟萃分析,共涉及37,057张图像。识别ROP的合并敏感度为95%(95%CI 91.5%至97.1%),特异度为97.4%(95%CI 95.3%至98.6%)。多数研究缺少对受试者选择的偏倚控制。
信息来源: PubMed Ophthalmology 发布于 2026年9月1日
要点速览
- 系统综述纳入14项研究,其中10项进入荟萃分析,共37,057张图像
- 识别ROP的合并敏感度为95%,特异度为97.4%
- 异质性I²为0.75,作者描述为中等程度
- 多数研究缺少对受试者选择的偏倚控制
本站解读
这项荟萃分析合并了10项研究、共37,057张眼底图像,评估人工智能识别早产儿视网膜病变(ROP)的表现:合并敏感度95%,特异度97.4%。敏感度指真正有病的被查出的比例,特异度指没病的被判为没病的比例。
局限在于,作者将异质性描述为中等程度(I²为0.75),多数研究缺少对受试者选择的偏倚控制,作者认为这限制了结果在临床环境中的适用性。荟萃分析只针对ROP识别,分期部分没有合并。
我们的判断是,算法在这些研究里的识别表现很高,但偏倚问题让结果离临床筛查应用还有距离,需要在真实环境中继续验证。国内情况有待确认。
常见问题
AI能代替医生筛查早产儿视网膜病变吗?
目前不能这样说。荟萃分析显示AI识别ROP的合并敏感度为95%、特异度为97.4%,但多数研究缺少对受试者选择的偏倚控制,作者提醒实际应用需要关注偏倚和真实环境中的落地。如有疑虑可咨询眼科医生。
敏感度95%、特异度97.4%是什么意思?
敏感度95%指在真正有ROP的情况下,算法合并后能识别出95%;特异度97.4%指在没有ROP的情况下,算法判为没有的比例是97.4%。两个数字各说明一个方面,不是整体准确率。
延伸阅读
早产儿视网膜病变:深度学习识别Plus病变和分期
研究开发了一套自动诊断系统,使用经过整理的眼底图像数据集,对早产儿视网膜病变(ROP)的Plus病变做二分类(Plus或正常),并对ROP分期(0、1、2、3期)做多分类。模型识别Plus病变的准确率为0.996,ROP分期的准确率为0.98。作者认为结果提示自动化ROP筛查有临床应用潜力,但需要多中心验证。
社区AI筛查早产儿视网膜病变:中国成本效益模型研究
研究用决策树模型,对10万名符合筛查条件的假设早产儿队列,从社会角度比较三种早产儿视网膜病变(ROP)筛查策略:社区AI辅助筛查、社区远程医疗筛查和专科机构床旁筛查,城市与农村分别设参数。结果显示,社区AI辅助筛查在两种场景下都是最具成本效益的策略,每名婴儿终身成本分别为1507美元和2581美元,健康效益为29.7138和29.5835个质量调整生命年(QALY)。
高分辨率网络加预处理用于眼底血管分割
研究提出一个基于高分辨率网络(HRNet)的视网膜血管分割框架,预处理包括灰度转换、伽马校正、CLAHE(限制对比度的自适应直方图均衡)和归一化。研究在两个公开数据集DRIVE和CHASE_DB1上评估,DRIVE上的敏感度为0.8193,CHASE_DB1上的特异度为0.9807。作者称,该框架能提高眼底图像血管分割的精度,对眼科临床决策有潜在价值。