视网膜生物标志物在心血管疾病预测中的应用
摘要
心血管疾病（CVDs）是全球死亡的主要原因，先天性心脏病（CHD）、获得性心脏病（AHD）、瓣膜病和心肌病显著增加了发病率。视网膜眼底成像作为一种非侵入性技术，能够捕捉微血管变化，作为系统性心血管功能障碍的生物标志物。本研究系统回顾了2015年至2025年间发表的相关文献，评估了不同疾病焦点、成像模式、分析方法及诊断性能。结果表明，深度学习和机器学习模型应用于视网膜眼底图像，在检测和分类CVDs方面表现出较高的准确性。卷积神经网络在CHD检测中达到了91%的AUC值，而混合多模态方法提高了AHD和瓣膜病的预测敏感性。心肌病与血管扭曲和微出血相关，可通过自动化图像分析量化。新兴方法如基于Transformer的模型和Segment Anything Model (SAM) 的医疗影像适应，有望提高通用性和可解释性。尽管存在数据集不平衡、纵向验证有限和AI模型黑箱问题，视网膜成像仍具有作为可扩展、非侵入性工具的巨大潜力。
信息来源： PubMed Ophthalmology 发布于 2026年2月12日
要点速览
- 视网膜眼底成像技术在心血管疾病预测中展现出高准确性，特别是卷积神经网络在CHD检测中达到91%的AUC值。
- 混合多模态方法提高了AHD和瓣膜病的预测敏感性，心肌病与血管扭曲和微出血相关。
- 新兴方法如基于Transformer的模型和Segment Anything Model (SAM) 的医疗影像适应，有望提高通用性和可解释性。
本站解读
视网膜成像技术在心血管疾病预测中的应用标志着眼科与心血管医学交叉领域的重大突破。这一技术路线的变迁不仅反映了从传统临床检查到现代人工智能辅助诊断的转变，也揭示了跨学科合作在提升诊断准确性和患者管理效率方面的巨大潜力。深度学习和机器学习模型的应用，特别是卷积神经网络在CHD检测中高达91%的AUC值，展示了其在早期识别和分类心血管疾病方面的卓越性能。
然而，这种技术进步也带来了新的挑战。数据集不平衡、缺乏长期验证以及AI模型的黑箱特性，都是当前亟待解决的问题。国内外研发管线进度显示，虽然欧美国家在这一领域起步较早，但中国的眼科企业和研究机构也在迅速跟进，特别是在大数据处理和算法优化方面。未来，随着更多高质量数据的积累和算法的不断改进，视网膜成像技术有望在中国市场得到更广泛的应用。
行业竞争生态中，护城河的构建不再仅仅依赖于硬件设备，而是更多地体现在数据资源和算法能力上。因此，后续需要密切留意的是，如何通过国际合作和标准化流程来推动这一技术的进一步发展，并确保其在临床实践中的可靠性和可解释性。
常见问题
视网膜成像技术能预测哪些心血管疾病？
视网膜成像技术可以用于预测先天性心脏病、获得性心脏病、瓣膜病和心肌病等多种心血管疾病。
这项技术有哪些优势？
视网膜成像技术是一种非侵入性的方法，能够捕捉微血管变化，作为系统性心血管功能障碍的生物标志物，有助于早期诊断和风险评估。
延伸阅读
早期青光眼视野进展预测模型比较研究
研究通过模拟早期青光眼患者的视野数据，对比四种预测方法：个体化一阶自回归模型（AR(1)）、普通线性回归（OLR）、群体级长短期记忆网络（LSTM）和朴素基线预测。结果显示，在检查次数较少时（如前6–11次），LSTM误差最低；但随着检查次数增加，尤其在中、快速进展患者中，AR(1)的预测精度反超LSTM。评估指标为RMSE和点均绝对误差（PMAE）。
本地医疗大模型精准识别青光眼风险因素
研究团队使用MedGemma-27B-text-it本地医疗大模型，分析2014至2024年间1250例青光眼相关临床记录，评估其识别用药依从性差、随访失约及家族史的能力。结果显示，模型在识别用药非依从性（准确率0.91）、随访非依从性（准确率0.96）和家族史（准确率0.98，Jaccard指数0.99）方面远超结构化电子病历字段（家族史准确率仅0.49）。研究证实本地化大模型可高效挖掘自由文本中的隐性风险信息。
血管引导多任务深度学习模型同步分割血管并分类眼底病
研究团队开发了V-MNet模型，首次将视网膜血管分割与多种眼底病分类整合于同一深度学习框架，并引入血管结构先验信息指导疾病分类。该模型在四个公开数据集上测试，血管分割Dice系数达0.831，多病种分类平均AUC为0.978、F1分数为0.935，显著优于单任务模型。Grad-CAM模块提供可视化病灶定位图，增强临床可解释性。