视网膜图像可估算血红蛋白浓度
摘要
一项发表于《Eye》期刊的评论文章，评述了利用基础模型从眼底彩照中估算血红蛋白浓度并评估贫血风险的研究。该研究基于人工智能技术，尝试通过非侵入方式筛查贫血，相关成果于2026年10月17日在线发表。
信息来源： Eye (Nature)
要点速览
- 该研究提出一种基于基础模型的方法，从视网膜眼底图像估算血红蛋白浓度。
- 研究目标是实现非侵入式贫血风险评估，属于AI辅助诊断方向。
- 相关成果于2026年10月17日在线发表于《Eye》期刊。
本站解读
这项研究的核心是：用AI模型从常规眼底照片里‘读出’血红蛋白水平，进而提示贫血风险——相当于让一张眼科检查常用的照片多承担一层全身健康筛查功能。它不是直接测量血液，而是找视网膜血管形态、颜色等影像特征与血红蛋白浓度之间的统计关联。
目前仅知该工作已发表于《Eye》，但原文未提供样本量、验证方式或准确率等关键方法学信息，因此尚无法判断其稳健性。顶刊发表说明有创新价值，但离临床落地还有距离：模型需在不同设备、人群、疾病背景下反复验证，且必须通过监管审批才能用于医疗决策。
短期内不会改变医生开单或患者检查流程。普通人无需为此改变任何行为，也不必专门拍眼底照查贫血。如有贫血相关症状或体检异常，如有疑虑可咨询眼科医生。国内情况有待确认。
常见问题
拍个眼底照真能查出贫血吗？
目前还不能作为确诊依据，这项研究只是初步证明眼底图像可能隐含血红蛋白相关信息，属于探索性AI建模，尚未进入临床应用阶段。贫血诊断仍需静脉抽血检测。如有贫血相关症状，如有疑虑可咨询眼科医生。
以后体检不用抽血就能查贫血了吗？
远未达到这一步。该方法处于早期研究阶段，未公布准确率、适用人群或设备要求等关键数据。抽血仍是贫血诊断的金标准。AI辅助筛查若要替代或补充现有手段，还需多年验证和监管批准。
延伸阅读
OpthaNet：轻量化AI模型提升眼病图像分类精度
该研究针对白内障、糖尿病视网膜病变和青光眼三类眼病，基于眼底图像开发了名为OpthaNet的注意力增强型AI分类架构。研究人员对EfficientNetB3、MobileNetV2和视觉Transformer三种模型进行定制优化，分别引入注意力特征精炼模块、OpthaHead分类器和META定制策略。结果显示，优化后的EfficientNetB3准确率达96.04%，较基线提升10.84%；MobileNetV2提升11.26%；视觉Transformer经META定制后性能提升超18%。
AI增强OCT可准确量化冠状动脉斑块负荷
研究团队开发了一种深度学习算法，用于全自动分析光学相干断层扫描（OCT）图像，以量化冠状动脉斑块负荷（PB）和血管尺寸。研究使用10例尸检人的心脏，对29支主要冠状动脉进行OCT和血管内超声（IVUS）成像，并与组织病理学金标准对比。共获得852个匹配的横截面数据，结果显示AI-OCT与病理结果的相关性不劣于IVUS，且无统计学显著差异。
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。