协和眼科牵头 ，5 家眼科中心同发力，用 AI 助力 13 种眼底疾病检测
内容提要
根据《四百万体检人群健康蓝皮书》，眼底异常的检出率连年上升，已成为全球最常见的致盲因素。北京协和医院等单位合作开发了深度学习系统(DLS)，提高了初级眼科医生的诊断一致性约12%，为13种主要眼底疾病的自动检测提供了新方法。研究结果显示，DLS的总体疾病诊断敏感性和特异性分别达到96.6%和81.8%。该研究为初级眼科医生提供了有效的临床方法，但仍需要人类医生的参与。
延伸解读
AI辅助诊断的临床价值与局限
本研究显示，DLS辅助使初级眼科医生的诊断一致性提高约12%，敏感性和特异性分别达96.6%和81.8%，有助于减少漏诊和不必要的转诊。但DLS倾向于为图像标注更多标签，导致试验组诊断准确率（44.2%）低于对照组（60.5%），说明AI辅助可能以牺牲准确性为代价提高敏感性。因此，AI目前仍无法替代人类医生，需在医生监督下使用。
研究设计与数据特征
该研究为前瞻性临床试验，纳入750名18-75岁患者，收集81,395张眼底图像，涵盖13种主要眼底疾病。由6位专家标注作为金标准，9名初级医生参与读片。但数据集存在局限性：部分疾病图像数量少，参与者均为中国汉族患者，可能影响结果的普适性。未来需扩大数据集并丰富患者类型。
技术实现与工作流程
DLS由图像质量评估模型和诊断模型组成。质量评估模型基于ResNet-34 CNN，判断图像是否适合诊断；诊断模型以seResNext50为主干，训练3个并行模型进行后期融合，输出疾病存在与否及具体类型。该设计可处理多疾病识别，但依赖高质量眼底图像，且对周边视网膜病变的检测有限。
临床意义与未来方向
DLS可帮助初级医生提高对多种眼底疾病的诊断一致性，尤其在疑似青光眼性视神经病变、视神经萎缩等疾病上优势明显，有望缓解基层医疗资源不足。此外，DLS还可用于教育场景。但研究存在局限性，如数据集偏差、疾病选择偏倚等，未来需进一步验证并拓展应用。
Q&A
这个深度学习系统能检测哪些眼底疾病？
该系统可检测13种主要眼底疾病，包括可转诊的糖尿病视网膜病变、视网膜静脉阻塞、视网膜分支动脉阻塞、病理性近视、视网膜脱离、原发性视网膜色素变性、萎缩性和新生血管性老年黄斑变性、视网膜前膜、黄斑裂孔、中心性浆液性脉络膜视网膜病变、疑似青光眼性视神经病变和视神经萎缩等。
AI辅助对初级眼科医生的诊断一致性提升有多大？
在AI辅助下，初级眼科医生的诊断一致性提高了约12%。具体来说，试验组（AI辅助医生）诊断一致率为84.9%，对照组（医生独立阅片）为72.9%，AI组为85.5%。
这个深度学习系统的诊断准确率如何？
DLS的总体疾病诊断敏感性为96.6%，特异性为81.8%。高特异性有助于减少不必要的转诊和医疗费用。
深度学习系统是如何工作的？
DLS由图像质量评估模型和诊断模型两部分组成。图像质量评估模型基于ResNet-34 CNN，判断图像质量是否适合诊断；如果适合，诊断模型（基于seResNext50 CNN）会生成诊断建议，否则系统会发出警报。诊断模型有两个分支，分别确定是否存在疾病以及存在哪些特定疾病。
这项研究存在哪些局限性？
研究存在以下局限性：数据集存在偏差，某些疾病类别图像数量少，且所有参与者均为中国汉族患者；部分疾病需要从视网膜周围区域开始收集，超出了眼底图像范围，DLS在初始阶段无法检测；此外，DLS倾向于为一张图像标注更多标签，可能影响诊断准确性。
AI辅助诊断后，为什么还需要人类医生参与？
尽管DLS可以独立发挥作用，但让人类医生参与仍然至关重要。因为基于人工智能的疾病筛查和识别虽然已广泛应用，但也引入了误诊等相关风险。此外，DLS倾向于标注更多标签，有助于减少漏诊但可能影响准确性，因此需要人类医生把关。
