基于深度学习的人工智能模型辅助高度近视性白内障手术决策的临床研究

这篇研究创新性地开发了基于深度学习的人工智能（AI）决策模型，整合自动白内障分级系统（LOCS III标准）和术后视力预测算法（logMAR评估），为高度近视合并复杂视网膜病变的白内障患者提供精准手术方案推荐（分4类：不建议手术/单纯白内障手术/视网膜手术/联合手术）。模型在内部验证集与金标准一致性达96.26%（Kappa=0.811），显著优于住院医师水平，有望解决基层医疗机构诊疗能力不足的难题。

　　

背景

高度近视性白内障因其常合并视网膜牵引、黄斑劈裂、脉络膜新生血管（CNV）等复杂病变，手术决策需综合评估晶状体混浊程度与眼底状况。全球约2.77亿高度近视患者面临此类风险，而基层医疗机构诊断能力不足导致医疗资源分布失衡。

材料与方法

研究团队整合既往开发的两种深度学习模型：基于裂隙灯图像的自动白内障分级模型（采用ResNet-101架构）和基于OCT的术后最佳矫正视力（BCVA）预测模型（集成ResNet-18/34/50/101和Inception v3）。决策逻辑包含五步评估：术前视力、术后视力改善预期、白内障分级（核性/皮质性）、OCT影像解读及眼轴长度。模型输出四类建议（0-3级），通过复旦大学附属眼耳鼻喉科医院（内部数据集，n=107）和武汉艾格眼科医院（外部数据集，n=55）进行验证。

结果

1. 1.

   白内障分级：核性白内障在内部/外部数据集的R_e1.0达99.07%/87.27%，皮质性为88.79%/61.82%，ICC值显示显著一致性（核性：0.962/0.796）。

2. 2.

   视力预测：内部数据集MAE=0.1560 logMAR，86.52%预测误差≤±0.30 logMAR（Snellen 6/12）。

3. 3.

   手术决策：AI模型与金标准一致性内部96.26%（Kappa=0.811）、外部81.82%（Kappa=0.556），优于住院医师（一致性70.91%）。特殊病例分析显示，AI对复杂视网膜手术的推荐准确性仍需提升。

讨论

该模型的创新性在于：

• •

  多模态数据融合：结合LOCS III分级标准与OCT影像的微结构特征

• •

  临床实用性：决策流程模拟专家思维，尤其适合资源匮乏地区

• •

  局限性：外部数据集性能下降可能与OCT设备差异有关，未来需扩大样本涵盖更多复杂病例

结论

这项研究首次构建了高度近视性白内障的AI辅助决策系统，其分级与预测模块的稳定性已得到验证。尽管在复杂病例处理上暂未超越资深医师，但显著提升了初级医师的决策水平，为眼科精准医疗提供了新范式。