人工智能助力资源匮乏地区糖尿病视网膜病变筛查：印度自主研发AI模型MadhuNetrAI的精准诊断效能评估

针对印度等资源匮乏地区眼科医生短缺问题，Wadhwani AI与全印医学科学研究所联合开发了AI筛查工具MadhuNetrAI。研究通过对1078张眼底图像的盲法测试显示，该模型检测可转诊DR（中度至增殖期）的灵敏度达93·2%、特异性95·3%，AUC达0·97，分级一致性kappa值0·89，为基层DR筛查提供了高效解决方案。

　　

在糖尿病(DM)肆虐的当代，糖尿病视网膜病变(DR)已成为全球致盲的主要元凶，尤其在印度这类医疗资源分布不均的国家——约77万糖尿病患者中，40岁以上人群有300万面临视力威胁。传统依赖眼科医生进行眼底检查的模式，在基层医疗机构举步维艰：东南亚地区仅40%国家达到眼科医生与人口比1:10万的标准，且医生多集中在城市。这种背景下，人工智能(AI)技术为DR筛查带来了曙光。

全印医学科学研究所与Wadhwani AI团队自主研发的MadhuNetrAI模型，成为印度首个能同时实现DR转诊判断和国际分级(0-4级)的AI工具。这项发表于《Global Epidemiology》的研究，通过严格的双盲对照试验验证了其临床价值。研究团队采用卷积神经网络(CNN)架构，训练数据整合了EyePACS、APTOS和ODIR-5k三大公开数据集的42,967张眼底图像。在1078张测试图像(含AIIMS医院555张和EyePACS 523张)中，模型表现令人振奋：不仅对可转诊DR(中度非增殖期NPDR至增殖期PDR)的识别达到93·2%灵敏度和95·3%特异性，其分级结果与眼科专家的一致性更高达kappa=0·89。特别值得注意的是，当转诊阈值设定为国际标准推荐的2级(中度NPDR)以上时，AUC升至0·97，完美契合临床实践需求。

关键技术方面，研究采用多中心眼底图像(含Zeiss FF450 Plus IR非散瞳相机拍摄的50°视野图像)，通过双眼科医生独立标注+仲裁机制建立金标准。统计方法涵盖STARD指南推荐的Cohen's kappa、ROC曲线分析及Farrington-Manning评分检验，并创新性采用二次加权kappa评估分级一致性。

研究结果部分揭示多个重要发现：

1. 诊断效能：在检测任何程度DR时，模型灵敏度90·1%(CI:86·9–93·4%)，特异性92·4%(CI:90·6–94·3%)，简单kappa值0·81显示近乎完美的一致性。
2. 转诊判断：针对需转诊病例(2-4级)，模型灵敏度提升至93·2%，特异性维持95·3%，AUC 0·97证实其卓越判别能力。
3. 分级精度：二次加权kappa 0·89(CI:0·86–0·91)，总体准确率81·0%，尤其在识别中度NPDR时准确率达67·1%。
4. 人机对比：模型与人类专家的分歧程度(21·5%需仲裁)甚至低于两名眼科医生间的原始分歧率(21·5% vs 24·5%)。

讨论部分指出，MadhuNetrAI的创新性在于突破既往AI仅作二元分类(转诊/非转诊)的局限，首次实现符合国际临床分级标准的五级判定。虽然对增殖期DR的识别灵敏度(55·9%)有待提升——研究者归因于细微新生血管的识别挑战，但其在基层筛查中的价值已获验证：可减少76·5%的非必要转诊，显著缓解三级医疗中心压力。

这项研究的深远意义在于，作为非营利性项目开发的MadhuNetrAI，为资源匮乏地区提供了可负担的筛查方案。随着智能手机和便携眼底镜的普及，该技术有望通过"AI+基层卫生站"模式，重塑印度DR防控体系。未来需在更多样化设备(如手持眼底相机)和人群(农村地区)中验证其普适性，并探索与其他视网膜病变(如糖尿病黄斑水肿DME)的联合检测功能。正如研究者强调，AI筛查的真正价值不仅在于技术指标，更在于能否嵌入现有医疗流程——在这方面，MadhuNetrAI已迈出关键一步。