因果推理提升多病种眼底影像诊断准确率
摘要
研究团队提出一种融合因果干预的多标签医学影像诊断框架，针对多种眼病共存时模型易混淆统计相关性与真实因果关系的问题。该方法通过建模潜在混杂因素并实施后门调整，在ODIR（彩色眼底照相）、LID-FFA（眼底荧光血管造影）等四个数据集上验证效果，显著提升诊断准确性与可解释性。源代码已开源。
信息来源： PubMed Ophthalmology 发布于 2026年5月29日
要点速览
- 该研究在ODIR、LID-FFA、Endo、ChestXpert四个医学影像数据集上验证了因果干预框架的有效性
- 通过建模潜在疾病相关混杂因素并应用后门调整，分离真实因果信号与虚假关联
- 源代码已公开发布于GitHub仓库https://github.com/davelailai/BankCausal.git
本站解读
这项工作反映的底层趋势是AI眼科工具正从‘能识别’迈向‘可信赖’——不再满足于高准确率，而是要求模型给出临床可理解、可追溯的决策依据。传统深度学习依赖图像特征与疾病标签的统计共现，容易把糖尿病视网膜病变和青光眼的共发特征误判为单一疾病的标志，而因果干预试图切断这种误导链。对行业格局而言，掌握可解释AI建模能力的算法团队和具备高质量多病种标注数据的影像平台将明显受益；而仅提供单病种筛查SaaS服务的初创公司可能承压，因其技术路径难以快速适配多病共存的真实诊疗场景。
中国市场已有ODIR中文版数据集被多家医院用于训练，但LID-FFA等专业影像标注仍稀缺，导致国内多数商用眼底AI系统仍停留在单病种阶段。若因果框架后续在OCT或超广角眼底图中验证成功，预计2-3年内将推动国产设备厂商与三甲医院联合开发新一代多病种辅助诊断模块。一个关键后续信号是看该方法是否能在未参与训练的中国三级医院真实眼底照片上复现性能提升；另一个是关注国家药监局是否会将‘因果可解释性’纳入AI三类证审评新增考量项。
常见问题
这个新AI技术能帮我一次查出好几种眼病吗？
理论上可以，它专为同时诊断多种共存眼病设计，比如糖尿病视网膜病变合并白内障，在ODIR等国际数据集上已验证效果。但目前尚未在国内医院常规部署，中国患者如需多病种眼底分析，仍需依赖医生综合判断，如有疑虑可咨询眼科医生。
用这个AI看病会不会比现在更靠谱？
它比现有AI更强调‘为什么这么判’，减少了因疾病共发导致的误判，比如把黄斑水肿特征错归给青光眼。不过该技术尚处研究阶段，未获中国NMPA认证，也未集成进国内主流筛查设备，短期内不会替代医生诊断。
延伸阅读
大语言模型生成高度近视考题能力评估
研究对比了ChatGPT-5.4、Gemini 3、DeepSeek、Kimi K2.5和Doubao五款公开大模型在高度近视领域生成单选题（MCQ）的能力。每模型完成60道题，共300题，覆盖基础理论、临床案例、诊疗决策及筛查随访四类内容。所有模型结构合格率均为100%，但关键答案准确率从95.0%（Kimi K2.5、Doubao）到100.0%（ChatGPT-5.4、Gemini 3）不等。专家评审发现各模型在干扰项质量与事实准确性上存在显著差异，需人工审核方可用于教学。
视网膜血管AI量化分析预测心血管风险
研究团队利用AI工具AutoMorph，从8467名40-70岁健康受试者的眼底照片中提取12项视网膜血管定量指标，涵盖动脉和静脉的密度、宽度、分形维数及迂曲度等。外部验证使用UK Biobank的16249例影像。结果发现动脉指标与血压、血脂、血糖、BMI及睡眠呼吸暂停参数显著相关，且能预测新发心血管事件。研究首次建立年龄与性别分层的视网膜血管参考值体系。
鸟枪脉络膜视网膜炎宽视野眼底图像数据集发布
研究团队发布了名为Birdshot-Wide的公开眼底影像数据集，包含742只鸟枪脉络膜视网膜炎（BSCR）患眼的5042张宽视野眼底照和742只健康对照眼的1310张图像，所有BSCR图像均经人工质量审核并按主要病变亚型分类，中位随访达4.31年；基于该数据集训练的深度学习模型在区分BSCR与正常眼任务中AUC最高达0.96。