眼底照片识别性别：视网膜不同区域贡献度量化研究
摘要
该研究用深度学习模型分析3478张眼底照片，定量评估黄斑、视盘和血管三类解剖区域对识别生物性别的贡献。模型采用两阶段注意力机制，结果显示黄斑和视盘权重相近（均约0.4），显著高于血管（0.209）；整体AUC达0.861。研究按受试者划分训练/验证集，避免数据泄露，结果具可重复性。
信息来源： PubMed Ophthalmology 发布于 2026年5月20日
要点速览
- 研究基于3478张眼底照片，按受试者分组，量化黄斑、视盘、血管三区域对性别分类的贡献权重。
- 采用两阶段多分支ResNet50框架，结合注意力机制生成ROI级标量权重。
- 融合模型AUC为0.861；黄斑与视盘平均权重分别为0.408和0.383，均显著高于血管的0.209。
本站解读
这项研究没有发现新的疾病标志物，而是首次用可解释AI方法量化了眼底不同区域在性别识别中的相对作用——黄斑和视盘贡献最大，血管最小，且两者权重无统计学差异（p=0.506）。样本量3478张图像、按人划分数据集、AUC 0.861，说明模型稳健性较好，但仍是回顾性算法验证，未涉及真实临床场景测试。
它无法改变当前临床实践：性别不是诊断目标，也未证明这些区域特征与疾病风险直接相关。短期内不会催生新检查项目或诊疗路径。该技术更可能用于AI模型质量控制或辅助标注，而非独立临床工具。
普通人无需因此改变用眼习惯或筛查频率。眼底照相本身是常规检查，但仅凭它判断性别没有健康意义。如有疑虑可咨询眼科医生。
常见问题
用眼底照片真能看出来男女？准不准？
研究显示模型能从眼底照片中区分性别，整体准确度对应AUC为0.861，属于中等偏上水平。这反映的是群体统计规律，并非绝对判断，也不能用于个体身份识别。该结果不意味着医生靠肉眼就能看出，而是依赖特定AI模型分析。
这个发现对我体检时拍眼底照有啥影响？
目前没有实际影响。眼底照相仍是为了查青光眼、糖尿病视网膜病变等疾病，性别识别只是算法副产品，不改变检查目的、流程或报告内容。体检时是否拍照、如何解读，仍由医生根据临床需要决定。
延伸阅读
深度学习从眼底照预测RNFL厚度并生成青光眼诊断似然比
研究开发了一种深度学习算法，通过普通眼底彩色照片预测视网膜神经纤维层（RNFL）厚度，并将连续预测值转化为青光眼诊断的似然比。研究纳入232名青光眼性视神经病变患者和127名健康对照者，采用横断面设计。结果显示，算法预测的RNFL厚度在青光眼组显著更低（71.3±10.6 μm vs. 95.5±7.2 μm），AUC表现良好，支持个体化概率化诊断。
深度学习模型诊断眼弓形虫病的准确性评估
研究系统回顾并荟萃分析了16项使用眼底照相诊断眼弓形虫病（OT）的深度学习模型。其中9项研究共24种模型纳入定量分析，汇总敏感度为96.5%，特异度为95.5%，诊断优势比达594.1。但81.2%的研究仅依赖单一巴拉圭数据集（OTFID），存在地域偏倚和泛化能力不足问题。
通用AI模型在眼底照相诊断中与专家一致性低
该研究是一项小样本试点研究，比较谷歌Gemini 2.5 Flash通用多模态AI模型与视网膜专科医生对66张彩色眼底照片（CFP）的独立判读结果，并以未设盲的主治专科医生诊断为参考标准。结果显示，两位人类专家间一致性达AC2=0.67（属实质性一致），而AI模型与参考专家的一致性仅为AC2=-0.58，AI与设盲专家之间的一致性也仅AC2=-0.38，表明该AI在纯图像判读中可靠性很低。