AI模型模拟眼科医生诊断逻辑识别青光眼
摘要
研究团队构建了首个临床标注的视盘图像推理数据集，含1077张眼底照和专家撰写的六步诊断报告；基于该数据集开发出视觉-语言框架，能生成结构化临床推理过程，再输出诊断。模型在杯盘比误差（MAE=0.070）、ISNT排序一致性（Kendall距离=1.73）和报告语义相似度（BERTScore-F1=0.874）上均达最优，并实现94.7%的平衡准确率和94.8%的精确率。
信息来源： PubMed Ophthalmology 发布于 2026年7月29日
要点速览
- 研究发布首个含1077张眼底照及专家六步诊断报告的临床推理数据集
- 开发出能生成结构化临床推理路径、再输出诊断的视觉-语言AI框架
- 模型在杯盘比误差（MAE=0.070）、ISNT排序（Kendall距离=1.73）和语义相似度（BERTScore-F1=0.874）三项关键指标上表现最优
本站解读
这项研究不是简单让AI‘认出’青光眼，而是第一次教会AI像眼科医生一样分步思考：先看视杯大小、再评估盘沿形态、最后整合判断——整个过程可读、可验证。样本量1077例虽不算庞大，但关键在于每张图都配有真实医生手写的六步推理报告，这种高质量临床标注远比单纯打标签更难也更稀缺，极大提升了模型的可信基础。
短期内它不会替代医生，但有望成为基层或筛查场景中的强辅助工具，尤其帮助经验不足的医生理解‘为什么是青光眼’。94.7%的平衡准确率确实亮眼，但必须注意：这是在研究设定下对已知病例的回溯性验证，离真实门诊中混杂屈光不正、小瞳孔、图像质量差等干扰的实际应用还有距离。
普通人无需因此改变日常习惯，也不必主动去查眼底照；青光眼早期无症状，常规体检若包含眼压和视神经检查，已有足够预警价值。如有疑虑可咨询眼科医生。国内情况有待确认。
常见问题
这个AI能代替医生查出青光眼吗？
不能代替医生。它目前是在研究环境中用高质量图像和标准流程验证的辅助工具，尚未进入真实门诊场景。医生诊断还需结合眼压、视野、OCT等多维度检查，AI生成的推理过程只是参考。如有疑虑可咨询眼科医生。
以后做眼底照，AI就能直接告诉我有没有青光眼？
目前还不能。该模型依赖严格标注的图像和特定推理流程，尚未集成到常规筛查设备或医院信息系统中。即使未来落地，也需经临床验证和监管审批，结果仍需由医生综合判读。如有疑虑可咨询眼科医生。
延伸阅读
无需标注的AI模型实现跨设备RNFL自动分割
研究团队开发了名为Macula2Disc（M2D）的AI框架，仅用黄斑区OCT图像训练，即可在未标注的视盘周RNFL图像上完成分割。在1017张未标注的视盘周扫描图像上验证，RNFL分割Dice系数达87.42%，MIoU为80.43%。该方法不依赖视盘区域人工标注，能适配Heidelberg Spectralis和TowardPi BMizar-400K两种异构OCT设备，目标是提升青光眼结构评估的跨平台一致性。
AI模型用彩照检测糖尿病黄斑缺血
研究开发了一种图神经网络多光谱学习模型（GNN-MSVL），利用普通彩色眼底照片检测糖尿病黄斑缺血（DMI）。该模型通过计算重建24波长伪多光谱图像，增强对缺血组织微弱反射变化的识别能力。研究纳入1078张来自592名糖尿病患者的单眼彩照，其中530张确诊为DMI。结果显示，模型在眼水平准确率达84.7%，AUC为0.900，显著优于基线模型和人类专家。
可解释AI模型GlaucoXAI用于青光眼早期筛查
研究提出一种名为GlaucoXAI的可解释人工智能诊断模型，利用眼底彩照识别早期青光眼。模型分四步：图像预处理、曲线特征提取（采用FDCT-WRP）、PCA与LDA联合降维、改进灰狼优化算法（IMGWO）调优极限学习机（ELM）进行分类。在G1020和ORIGA两个公开数据集上，准确率分别达93.87%和95.38%，高于现有方法，并通过10×5折分层交叉验证增强结果可信度。