基于超广域眼底成像与人工智能的25种眼底疾病筛查及转诊系统开发与验证

本研究创新性地开发了基于超广域眼底成像（UWF）和跨域协同学习（CdCL）算法的深度学习系统（WARM），可一次性筛查25种眼底疾病并智能生成转诊建议。通过全国26家医疗中心16万余张图像验证，该系统平均AUC达0.912，显著优于传统眼底照相模型（WARM-PPR）和初级眼科医生组，为解决全球眼底疾病筛查资源不均提供了精准高效的AI解决方案。

　　

引言

眼底疾病（OFD）是全球视力障碍的主要诱因，中国现有5500万视力受损患者中超过半数由OFD导致。传统眼底相机仅能覆盖15%的视网膜区域，而超广域扫描激光检眼镜（UWF）可单次非侵入性捕获200°视网膜范围（82%面积）。尽管已有AI技术应用于糖尿病视网膜病变（DR）等单一疾病检测，但现有系统存在三大局限：依赖传统眼底图像无法识别周边病变、最多仅能检测8种疾病、缺乏多中心验证数据支持。

研究方法

研究团队收集了全国26家医疗中心164,524张UWF图像，经严格质控后纳入59,475张（32,537例患者）构建内外部数据集。采用分层标注系统，由16名初级眼科医生和8名资深眼底专家共同完成25类眼底病变标注，包括视网膜动脉/静脉阻塞、DR、年龄相关性黄斑变性（AMD）、视网膜脱离等，并基于临床指南制定转诊标准。创新性开发了三种模型：基于Swin Transformer和CdCL算法的WARM模型、仅用UWF图像的BASE模型、以及采用后极部区域（PPR）图像的WARM-PPR模型。

核心发现

在内部测试中，WARM模型展现出卓越性能：平均AUC 0.915（95%CI 0.791-1.000），灵敏度0.846，特异度0.868。特别在周边视网膜病变检测中优势显著，如视网膜脱离（AUC 0.992）、格子样变性（AUC 0.978）等，较PPR模型提升12.3%。外部多中心验证显示，WARM保持稳定表现（AUC 0.912），对高血压、糖尿病患者占比更高的群体仍具鲁棒性。

模型比较揭示关键洞见：

1. 周边视网膜价值：WARM对周边病变的检测准确率较PPR模型显著提高（p<0.001），证实82%的视网膜覆盖率对全面筛查至关重要
2. 跨域学习优势：CdCL算法通过融合传统眼底照片（CFP）与UWF图像特征，使21种疾病AUC提升，尤其改善了对微动脉瘤等微小病变的识别
3. 临床实用性：WARM的转诊建议准确率（AUC 0.902）显著高于初级医生组（AUC 0.840），可减少48.7%的漏诊

技术突破

WARM模型创新性地采用"固定比例混合"策略（30% CFP + 70% UWF），通过尺度偏置校正模块解决两种成像视野差异。可视化分析显示，模型能自适应聚焦病变区域——对AMD关注黄斑区，对视网膜脱离则追踪周边视网膜。值得注意的是，对临床罕见的星状玻璃体变性（占比1%）仍达到AUC 1.000，体现算法对小样本疾病的强表征能力。

应用前景

该系统的经济性评估显示，结合移动UWF设备的筛查模式可使偏远地区人均筛查成本降低62%。目前已在西藏自治区人民医院等边疆机构试点，解决眼科医生分布不均问题。未来将通过5G网络实现"设备端采集-云端AI分析-专家远程复核"的三级筛查体系。

局限与展望

研究存在UWF伪彩色成像可能影响模型判断、部分罕见病样本量不足等局限。团队正开发第三代系统，新增青光眼视神经分析模块，并探索多模态数据融合技术。这项来自北京协和医院领衔的研究，标志着中国在眼科AI领域实现从"单病种"到"全眼底谱系"筛查的重要跨越。