ChatMyopia：基于大语言模型的人工智能代理在初级眼保健场景中的近视管理创新与应用

《iScience》：ChatMyopia: An AI agent for myopia-related consultation in primary eye care settings

为解决初级眼保健中患者教育材料泛化、在线信息可靠性差及医患沟通效率低等问题，研究人员开发了基于大语言模型（LLM）的ChatMyopia人工智能代理。该系统集成图像分类工具与检索增强生成（RAG）知识库，通过随机对照试验验证其可显著提升患者满意度（C-MISS-R评分，p=0.018），并在单选择题考试中优于普通眼科医生（80.00 vs. 67.87, p=0.003）。该研究为近视管理提供了可解释、多模态的AI辅助工具，推动了个性化眼健康教育的发展。

　　

在数字化医疗浪潮中，近视作为全球性的公共卫生问题，其管理在初级眼保健场景下面临着独特挑战。患者往往在初次就诊前缺乏对自身病情的基本了解，导致医患沟通效率低下——眼科医生不得不花费大量时间解释基础概念，而非聚焦于关键治疗决策。传统教育工具如宣传册内容泛化，难以满足个性化需求；而网络信息虽获取便捷，却常掺杂不可靠内容。这种信息鸿沟不仅影响诊疗效率，更可能导致患者依从性降低和满意度下降。

针对这一痛点，香港理工大学研究团队在《iScience》发表了题为“ChatMyopia: An AI agent for myopia-related consultation in primary eye care settings”的研究，开创性地将大语言模型（LLM）与眼科专业知识结合，构建了能够同时处理文本和图像咨询的AI代理系统。该系统通过模块化设计整合了近视性黄斑病变（myopic maculopathy, MM）分级模型和基于循证医学的知识库，在保证安全性的前提下实现了多模态问答功能。

关键技术方法概述

研究团队采用Mistral-123B作为核心LLM，构建了包含图像分类和RAG知识库的双工具模块。图像分类模型基于ViT-large架构，使用EyeFound预训练权重，在包含2,769张眼底图像的数据集上完成训练；RAG知识库整合12本眼科教材和61份临床指南，通过FAISS实现高效检索。临床验证采用随机对照试验设计，纳入70名近视患者，比较ChatMyopia与传统宣传册对患者满意度（C-MISS-R量表）和决策冲突的影响。

研究结果分析

图像分类性能

ChatMyopia在MM分级任务中表现出色，整体AUROC（area under the receiver operating characteristic curve）达0.967，准确率0.934。热力图显示模型关注区域与专家判断高度一致，证实其病灶识别能力。

单选择题（SCQ）考试表现

通过150道近视相关考题的模拟测试，ChatMyopia总分（80.00）显著优于普通眼科医生（67.87, p=0.003），与专科医生表现相当（78.67, p=0.664）。在知识型与场景型题目中均保持稳定优势，显示其专业知识的全面性。

患者中心化问答评估

对85道开放式问题的人工评估显示，ChatMyopia在准确性（缺失内容率31.76% vs. 50.59%）、安全性（无危害可能性88.24%）等维度均优于GPT-4，且与眼科医生水平无显著差异（p=0.459）。特别是在效用性领域，ChatMyopia生成89.41%无不当内容回答，显著高于GPT-4的54.12%。

随机对照试验验证

在真实临床环境中，ChatMyopia组患者整体满意度（C-MISS-R评分）显著高于宣传册组（p=0.018）。亚组分析显示，患者在认知维度（信息理解度）和情感维度（焦虑缓解）均有改善，尤其在“准确解答疑虑”“增强医患沟通效果”等维度获得高分（p<0.01）。相关性分析证实满意度提升与这四个维度显著相关（r=0.465-0.560, p<0.001）。

结论与展望

该研究证实ChatMyopia能通过可解释的多模态交互，有效弥补传统教育工具的不足。其模块化架构支持未来集成光学相干断层扫描（OCT）等先进影像分析功能，为眼科AI代理系统提供了可扩展的范式。尽管在决策冲突缓解方面未达显著差异，但作为辅助工具，ChatMyopia已展现出提升基层医疗服务质量的重要潜力。未来需通过多中心研究进一步验证其在高风险人群中的适用性，并完善伦理与隐私保护机制，推动AI技术在眼健康领域的规范化应用。