跳转到主要内容
学术研究

白内障诊疗中的人工智能:证据成熟度与临床就绪度综述

PubMed Ophthalmology (2026年1月1日)

摘要

这篇叙述性综述按证据成熟度梳理人工智能在白内障诊疗路径中的应用,涵盖白内障检测、人工晶状体度数计算、围手术期风险评估、术中支持和术后随访。作者检索PubMed/MEDLINE的英文文献(2018年1月1日至2025年3月31日)。作者认为白内障检测的最强证据来自大型外部验证的影像模型;术中人工智能直接临床获益的证据有限;术后对话式人工智能已进入多中心前瞻性临床评价。整体是起步但不均衡。

信息来源: PubMed Ophthalmology 发布于 2026年1月1日

要点速览

  • 综述检索PubMed/MEDLINE 2018年1月1日至2025年3月31日的英文文献
  • 白内障检测的最强证据来自大型外部验证的影像模型,手机系统对图像质量敏感
  • 术中人工智能以技术性能评估为主,直接临床获益证据有限
  • 术后对话式人工智能已进入多中心前瞻性临床评价,安全性依赖人工监督

本站解读

综述的重点不是“哪个模型最准”,而是每类应用的证据走到了哪一步:从技术概念验证、回顾性内部验证,到外部或多中心验证、前瞻性临床评估和实际获益。结论是白内障检测的证据最强,来自大型外部验证的影像模型;手机系统对图像质量、病例构成和使用场景比较敏感。

其他环节证据参差。人工晶状体度数的数据驱动公式在部分数据集中可以改善屈光预测,但比较结果受常数优化、眼轴长度分布、晶状体型号、测量设备和双眼配对依赖影响。术中人工智能以手术阶段识别、分割和技术性能评估为主,直接临床获益证据有限。术后对话式人工智能已进入多中心前瞻性临床评价,安全性取决于升级转诊通道、人工监督和本地流程设计。这是叙述性综述,不是新的临床研究。

我们的判断是,白内障领域的人工智能处在“个别环节已有较强证据,更多环节还停留在回顾性或技术验证”的阶段。作者主张用外部验证、前瞻性临床效用和上线后监测,而不是只看基准测试成绩,来决定能否推广。

常见问题

AI能帮我检查有没有白内障吗?

综述认为,白内障检测的最强证据来自大型外部验证的影像模型。但手机系统对图像质量、病例构成和使用场景比较敏感。这说明不同工具的可靠程度差别很大,是否可用取决于具体的产品和使用场景。如有疑虑可咨询眼科医生。

白内障手术前,AI算出的人工晶状体度数会更准吗?

不能一概而论。综述称,数据驱动的公式在部分数据集中可以改善屈光预测,但比较结果受常数优化、眼轴长度分布、晶状体型号、测量设备和双眼配对依赖等因素影响。具体晶状体的选择由医生结合检查结果决定,如有疑虑可咨询眼科医生。

相关病种 白内障

延伸阅读

学术研究

人工智能用于白内障全程管理:一篇叙述性综述的梳理

这篇叙述性小型综述梳理了2021年以来人工智能在白内障诊断筛查、人工晶状体度数计算、术中引导和术后管理中的研究。摘要称,裂隙灯图像的白内障检测与分级模型达到专家水平,荟萃分析合并AUC接近0.99;AI人工晶状体公式比传统公式更准,尤其在高度近视眼;术中可识别手术阶段并追踪器械。挑战包括数据泛化性、可解释性和临床转化。作者认为AI应作为辅助工具。

#白内障#人工智能#人工晶状体 +1
PubMed Ophthalmology
学术研究

眼科AI从诊断准确率到临床应用:一篇综述的观点

这篇综述指出,眼科人工智能的一个持续难题是,擅长图像分类的系统很少带来患者结局的改善。作者认为主要障碍包括数据偏倚、域偏移和标签噪声,缺少前瞻性随机部署试验,也常忽视以患者为中心的目标、成本效益和公平性。解决需要严格的外部验证、明确的决策标准和真实临床中的持续监测。

#人工智能#眼科AI#综述 +1
PubMed Ophthalmology
学术研究

人工智能在神经眼科影像中的应用:叙述性综述

这是一篇叙述性综述,梳理已发表研究中人工智能在部分神经眼科疾病里的应用,重点讨论筛查、诊断和病情进展评估中的优点、局限与挑战。作者认为,深度学习和卷积神经网络在解读眼底照相、光学相干断层扫描(OCT)和磁共振成像方面显示出潜力,可用于视神经乳头异常的筛查、特征描述和监测,但多数应用仍处于研究、回顾性验证或概念验证阶段。

#神经眼科#人工智能#眼科影像 +1
PubMed Ophthalmology