#人工智能

AI辅助床旁影像诊断的系统评价

该研究系统回顾了2018至2025年间20项AI辅助床旁影像（POC）临床决策支持研究，覆盖约78,296名患者、15国、多种影像模态。中位敏感度92%，特异度90.6%；65%研究证实非专科人员经平均1小时培训即可达专科级判读水平。但75%研究未提及可解释性（XAI），无一评估XAI是否影响临床决策或改善患者结局；70%研究存在高偏倚风险，整体证据确定性极低（GRADE ⊕◯◯◯）。

#人工智能#床旁影像#临床决策支持

基于OCT图像预测视网膜静脉阻塞患者12个月视力

研究提出一种结合手工特征（HOG、BLBPs、GLCM）与CNN回归模型的新方法，利用OCT图像预测视网膜静脉阻塞（RVO）患者接受抗VEGF治疗12个月后的最佳矫正视力（VA）。该模型性能与11名眼科专科住院医师及1名视网膜专科顾问的临床判断相当，平均绝对误差显示模型略优趋势。

#OCT#人工智能#视网膜静脉阻塞

深度学习模型可用OCT数据预测青光眼视野平均缺损值

研究团队利用1200只眼睛（432只为青光眼，768只为正常）同日采集的频域OCT高密度扫描数值与Humphrey视野分析仪30-2程序测得的平均缺损（MD）值，训练八种深度学习模型。结果显示InceptionV3模型表现最佳，平均绝对误差为3.36 dB，决定系数为0.53；在不同MD阈值下的分类任务中，CNN模型对轻、中、重度视野损害均有良好判别能力。

#青光眼#人工智能#OCT

该综述指出，原发性干燥综合征（pSS）因血清阴性、疾病异质性和诊断延迟三大难题长期被误诊漏诊。约三分之一患者缺乏SSA/SSB抗体，导致识别困难。研究发现新型自身抗体如抗-DTD2、抗-RESF1、抗-CALR，以及唾液蛋白SP-1、PSP、CA6等多靶标组合，可在传统血清学转阳前检出疾病。唾液和泪液中的蛋白质、外泌体miRNA及代谢物等无创生物标志物，结合机器学习与AI分析，已实现接近活检的诊断准确率，并支持风险分层与个体化治疗。

#干燥综合征#生物标志物#人工智能

基于改进鲸鱼算法与卷积KAN网络的糖尿病视网膜病变分级方法

研究人员提出一种新的人工智能模型，结合ShuffleNet V2与视觉Transformer注意力机制提取眼底图像特征，再用改进鲸鱼优化算法（IWO）微调，并通过卷积Kolmogorov-Arnold网络对糖尿病视网膜病变（DR）严重程度分级。模型在EyePACS数据集上训练，在Messidor-2数据集上测试，平均准确率达93.84%，且计算资源需求较低。

#人工智能#糖尿病视网膜病变#医学影像分析

大语言模型尚不能替代眼科论文审稿人

一项回顾性研究比较了ChatGPT-4o、Gemini与324名眼科医生对300篇投稿至3种眼科期刊的稿件的审稿表现。结果显示，人类审稿人拒稿率高达73.33%，而两款LLM均仅为2.00%；人类更常提出重大修改意见（22.67%），而ChatGPT和Gemini分别为68.00%和31.33%；LLM评论缺乏具体性，高频重复‘新颖性’‘样本量’‘清晰度’等泛化表述，且未标注行号或引用文献。

#人工智能#同行评议#眼科科研

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）。

#青光眼#人工智能#视野预测

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。

#人工智能#青光眼#电子病历

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。

#人工智能#眼底筛查#可解释AI

福建眼病研究构建糖尿病视网膜病变预测模型

福建眼病研究基于8211名参与者数据，训练并比较五种机器学习模型预测糖尿病视网膜病变（DR）风险。支持向量分类器（SVC）表现最优，F1-score达92.83%，AUC为0.99。SHAP分析确认五大关键预测因子：糖尿病病史、年龄、脉压差、左眼近视力和身高。研究验证了该框架在人群筛查中的稳健性与可复现性。

#人工智能#糖尿病视网膜病变#真实世界数据

SSR-Stacking：基于班级关系图的儿童高度近视预测模型

研究团队提出SSR-Stacking框架，用于在基线球镜度数（SE）缺失情况下预测儿童随访终点的高度近视状态。该模型融合图神经网络与集成学习，构建以学校班级为单位的社会-环境图，并通过自监督重建机制从同班同学数据中补全缺失SE值，再经元堆叠层整合XGBoost、SVM和随机森林等分类器。评估基于一项纵向队列数据，未提供具体样本量或准确率数字。

#人工智能#儿童近视#真实世界数据

ChatGPT-4o在眼科患者手册生成中的应用：与AAO材料的比较

本研究旨在对比ChatGPT-4o生成的眼科患者手册与美国眼科学会（AAO）提供的教育材料在英语和西班牙语版本中的可读性和质量。研究选取了10种常见眼部疾病的AAO手册，并要求ChatGPT-4o生成相应内容，确保其阅读难度为8年级水平。结果显示，ChatGPT-4o生成的手册在英语可读性方面与AAO材料相当，但在西班牙语版本中表现更优。具体而言，ChatGPT-4o生成的手册在西班牙语的Szigriszt-Pazos Perspicuity Index (SPPI)评分显著高于AAO材料。此外，ChatGPT-4o生成的手册在内容质量评估中也表现出色，尤其是在西班牙语版本中。总体而言，ChatGPT-4o生成的手册在可读性和内容质量上均达到或超过了AAO材料的标准。

#人工智能#眼科教育#患者手册