综述：人工智能结合多模态成像能否超越传统方法预测年龄相关性黄斑变性进展？一项系统综述和探索性荟萃分析

这篇综述系统评估了人工智能(AI)在多模态成像预测年龄相关性黄斑变性(AMD)进展中的价值。通过荟萃分析5项研究(2019-2025)发现，AI模型在准确度(提升7.0%)和灵敏度(提升10.4%)上显著优于视网膜专家(p<0.00001)，特异性也有微小优势(1.0%)。研究支持AI作为AMD早期预测的辅助工具，但强调需更多前瞻性研究验证其临床适用性。

　　

引言

年龄相关性黄斑变性(AMD)作为全球不可逆视力丧失的主因，其患病率随人口老龄化持续攀升。疾病分为早期、中期和晚期（含地理萎缩GA和新生血管性AMD nAMD），早期预测对治疗至关重要。多模态成像技术如光学相干断层扫描(OCT)、眼底照相、OCT血管成像(OCTA)等提供了视网膜结构的全方位可视化，但传统解读依赖临床经验，存在主观性和效率瓶颈。Burulina等早期研究首次证实多模态影像对AI诊断的潜力，为后续发展奠定基础。

研究方法

本研究遵循PRISMA-DTA指南，系统检索6大数据库至2025年2月7日，纳入5项评估AI预测AMD进展的研究。采用QUADAS-2工具评估偏倚风险，通过Comprehensive Meta-Analysis 3.7软件进行固定效应模型荟萃分析。关键纳入标准包括：比较AI与视网膜专家的头对头研究、使用多模态成像、报告准确度/灵敏度/特异性等指标。

核心发现

AI模型展现出显著优势：

• •

  准确度：平均差异0.07（95%CI 0.07-0.07），Z=470.30（p<0.00001）

  
• •

  灵敏度：提升10.4%（p<0.00001），尤其在GA检测中表现突出

• •

  特异性：虽仅提高1%，但具有统计学意义（Z=31.38）

研究间异质性极低（I²=0-0.42%），支持结果可靠性。如Keenan等开发的深度学习模型检测GA的准确度达96.5%，显著高于专家的97.5%。

技术进展

纳入研究采用多种AI架构：

1. 1.

   DeepSeeNet（Peng等）：模拟人类分级的三子网CNN，基于AREDS简化严重程度量表

2. 2.

   混合模型（Bhuiyan等）：结合深度学习分类器与逻辑模型树，可预测1-2年内晚期AMD进展

3. 3.

   轻量化CNN（Zapata等）：优化计算效率同时保持高准确度（AMD检测AUC 0.936）

值得注意的是，Ting等的系统在糖尿病视网膜病变筛查中表现出100%灵敏度，但AMD专项性能未单独报告。

局限与挑战

1. 1.

   数据瓶颈：仅5项研究符合标准，样本量有限

2. 2.

   纵向缺陷：多数研究聚焦横断面检测，而非真实疾病进展预测

3. 3.

   解释性不足：缺乏可解释AI技术（如Grad-CAM）的应用报告

4. 4.

   临床转化：需解决数据隐私（GDPR/HIPAA合规）、模型透明度及医患信任问题

未来方向

1. 1.

   前瞻性验证：在真实临床环境中测试AI-医师协作流程

2. 2.

   多模态整合：结合OCT、OCTA与临床数据构建个性化预测模型

3. 3.

   标准化报告：遵循TRIPOD-AI指南，完善诊断指标报告

结论

当前证据表明AI在多模态AMD预测中具有补充价值，但7-10%的性能提升是否具有临床意义需进一步验证。在获得更多前瞻性数据前，AI应作为临床决策的支持工具而非替代方案。随着可解释性技术和监管框架（如FDA/EMA指南）的完善，AI有望成为AMD管理的重要助力。