《Cells》：Artificial Intelligence as a Catalyst for Cell-Based Therapies in Retinal Disease
视网膜退行性疾病，包括年龄相关性黄斑变性（age-related macular degeneration, AMD）、视网膜色素变性（retinitis pigmentosa, RP）和Stargardt病，是全球范围内不可逆视力丧失的主要原因，累计影响数亿人。细胞疗法，尤其是利用诱导多能干细胞（induced pluripotent stem cells, iPSCs）、视网膜色素上皮（retinal pigment epithelium, RPE）移植和CRISPR-Cas9基因编辑的疗法，已成为可能保留、替换或部分恢复视网膜功能的有前景的治疗模式。然而，这些方法在患者分层、制造一致性、手术精准度和长期结局监测方面面临重大挑战。人工智能（artificial intelligence, AI），涵盖机器学习（machine learning, ML）、深度学习（deep learning, DL）和计算机视觉，正越来越多地被整合到细胞治疗流程中以解决这些局限。本综述全面探讨了AI在增强视网膜细胞疗法中的作用，涵盖疾病诊断与患者选择、干细胞质量控制与分化优化、CRISPR脱靶检测、视网膜类器官表征、可扩展制造以及通过多模态视网膜成像进行的移植后监测。在整个综述中，研究人员区分了直接视网膜细胞治疗证据与视网膜相邻、跨领域和概念性证据。研究人员还提出了一种AI驱动的端到端流程，将患者画像、基因编辑、细胞生产和移植与纵向结果跟踪相连接（这是一个未来需临床验证的前瞻性框架）。尽管AI提供了增强疗效、可重复性和个体化的有力工具，但它并不能取代细胞治疗的临床和生物学基础。仍存在关键挑战，包括数据稀缺、算法可解释性、监管合规和临床验证。本综述总结认为，AI的战略性整合有合理潜力成为可扩展和可重复的视网膜疾病细胞治疗的支持性基础设施，尽管其必要性尚未被证明，且仍需要前瞻性临床验证，生物学洞察和严格的实证验证仍然至关重要。
1. Introduction
1.1. Burden of Retinal Diseases
视网膜退行性疾病（包括视网膜色素变性（retinitis pigmentosa, RP）、Stargardt病和年龄相关性黄斑变性（age-related macular degeneration, AMD）等）是全球不可逆视力丧失的主要原因，影响超过3亿人；此外，糖尿病性黄斑水肿（diabetic macular edema, DME）和视网膜静脉阻塞（retinal vein occlusion, RVO）等也导致黄斑细胞损失。目前这些疾病在显著光感受器或RPE细胞丢失后均无治愈手段。AMD影响约2亿人，其中干性AMD约占85%–90%；FDA批准的补体抑制剂仅能减缓地图样萎缩进展，不能再生组织。RP由90余个基因突变引起，Stargardt病由ABCA4双等位基因突变导致，DME和RVO则使抗血管内皮生长因子治疗只能延缓而无法逆转细胞丢失。
1.2. Current Therapeutic Strategies for Retinal Diseases
1.2.1. Cell Therapy Overview: RPE and Photoreceptor Transplantation
细胞疗法旨在通过移植外源RPE或光感受器替代丢失细胞。早期人胚胎干细胞（human embryonic stem cell, hESC）来源RPE临床试验显示了初步安全性和探索性疗效；生物工程RPE单层植入干性AMD患者被证实可耐受；RIKEN团队完成了首例自体诱导多能干细胞（induced pluripotent stem cells, iPSCs）来源RPE移植。
1.2.2. iPSC Technology: Advantages and Patient-Specific Therapy
体细胞可通过定义转录因子重编程为iPSC，并定向分化为RPE、光感受器前体和视网膜类器官。患者特异性iPSC-RPE已用于Stargardt病模型，光感受器移植在RP动物模型中出现外核层整合证据。
1.2.3. CRISPR Gene Editing: Mechanism and Retinal Applications
CRISPR-Cas9通过可编程单引导RNA实现靶向双链断裂，已用于校正ABCA4、RPGR、PRPH2和CEP290等突变。其中针对CEP290的EDIT-101是首个进入人体试验的眼内CRISPR疗法。
1.2.4. Combination Approach: Gene Correction, Differentiation, and Transplantation—An Integrated Pipeline
最具临床雄心的策略是整合患者体细胞重编程为iPSC、CRISPR校正、定向分化和手术递送。各组件已有临床前或部分早期临床验证，但完整的基因校正自体流程尚未得到临床证明。
1.3. Limitations of Current Therapies
基因治疗受限于单基因疾病、AAV包装容量（约4.7 kb）和免疫原性，且无法恢复已丢失的细胞。细胞疗法面临突触整合是否真实存在、制造规模与批次一致性、免疫排斥、自体制造负担和手术精确性等挑战。iPSC特异性问题包括系间分化效率不可预测、表观遗传记忆残留以及缺乏无损的质量认证手段；CRISPR编辑存在脱靶、大片段缺失和p53介导的基因毒性应激，且尚无统一的临床级克隆释放筛选标准。
2. Artificial Intelligence as a Support Tool in Retinal Medicine
人工智能（artificial intelligence, AI）涵盖机器学习（machine learning, ML）、深度学习（deep learning, DL）和计算机视觉；在视网膜影像诊断中，DL系统在AMD、糖尿病视网膜病变、青光眼等任务上达到专家水平。在细胞治疗领域，AI被提出应用于患者分层、iPSC培养优化、质量控制、手术引导和移植后监测。关键挑战包括数据稀缺和标准化不足、模型可解释性差、监管框架不成熟，以及在高收入、欧洲裔人群数据上训练的模型可能在多样化人群中表现不佳。
Challenges of AI in Retinal Medicine and Cell Therapy
视网膜影像中的主要约束是标记数据稀缺、跨设备分布偏移和泛化问题；细胞治疗制造中训练数据多为专有、小规模且异质，独立验证困难。可解释性技术（如Grad-CAM、SHAP和注意力可视化）仍不足以支撑高风险的细胞批次放行或CRISPR克隆批准。FDA和EMA已有初步AI医疗器械或药物生命周期指导，但针对嵌入细胞治疗制造或术中系统的持续学习组件，尚缺乏统一、专门的监管框架。
3. Literature Search and Scope
3.1. Search Strategy
检索覆盖PubMed、Scopus和Web of Science，主检索期为2015年1月至2025年3月，更新检索最终日期为2026年9月23日。布尔策略结合AI术语、视网膜疾病术语和细胞治疗/CRISPR术语。更新检索共获得989条记录，去重后646篇，经筛选最终纳入76篇，其中28篇为直接细胞治疗流程阶段证据，48篇为视网膜相邻成像/诊断证据。基础技术文献通过引文追踪补充。
3.2. Inclusion and Exclusion Criteria
纳入标准为至少应用一种AI技术于视网膜疾病细胞治疗流程的任意阶段，包括患者分层、iPSC培养与质量控制、基因编辑安全评估、视网膜类器官表征、制造优化、术中引导和移植后监测。排除标准包括无细胞移植成分的药物治疗、仅限非视网膜眼部组织、纯诊断而无细胞治疗关联、会议摘要/编辑材料/非英语文献等，少数预印本例外。
3.3. Source Selection
本综述为整合性叙述综述，未遵循PRISMA规范。因领域跨度大、研究设计异质，选择概念性综合。优先纳入方法严谨、临床相关且具代表性的研究；证据稀疏处纳入临床前和概念验证研究以描绘发展轨迹；奠基性技术论文不受年份限制纳入。
4. AI Enhancing Cell Therapy and Its Key Applications
4.1. AI in Retinal Imaging and Disease Monitoring
AI在彩色眼底照相、光学相干断层扫描（optical coherence tomography, OCT）、OCT血管成像（OCT angiography, OCTA）、眼底自发荧光（fundus autofluorescence, FAF）和自适应光扫描激光眼底镜等模态上表现出接近专家的诊断准确性，可同时诊断多种视网膜疾病。纵向AI分析可追踪地图样萎缩生长；在RP中，自动化OCT/FAF分析可绘制保留的椭圆体区和外核层，作为疾病进展定量生物标志物。移植后多模态监测框架尚属概念性，未在视网膜移植受者中验证。
4.2. AI in Stem Cell Biology and iPSC Quality Control
传统质量控制（核型分析、多能性标志物检测、类胚体形成试验）劳动密集且只能提供分类性结果。基于集落明场图像的卷积神经网络（convolutional neural network, CNN）分类器可预测集落质量和多能性，报道准确率约85%–99%，但形态学是替代指标，不等同于基因组稳定性或致瘤性。单细胞转录组学的图神经网络和变分自编码器用于稀有亚群分析，但尚未直接证明能检测临床危险的iPSC亚群。非iPSC细胞群的验证数据有限。
4.3. AI in Optimization of Retinal Cell Differentiation
分化方案涉及多阶段、数周至数月，微调控偏差影响终产物。强化学习（reinforcement learning, RL）被提议用于优化多步分化，如Differentiation with Reinforcement Learning（DiRL）框架在计算机上评估iPSC类器官数据，但未实验证明能提高RPE或光感受器纯度。基于图像的CNN可在报告基因表达前预测视网膜分化结果（小鼠胚胎干细胞类视网膜器官、青鳉RPE），非视网膜谱系证据仅支持可转移性。
4.4. AI in CRISPR Gene Editing Safety
ML模型提高了gRNA设计、编辑效率和脱靶预测的准确性。变异感知工具（如VARSCOT）报告识别出40%–70%更多的经验证脱靶位点，但反映检测灵敏度提升而非生物学脱靶事件减少；全基因组测序筛选编辑克隆中AI应用仍属于提议而非已证实。
4.5. AI in Retinal Organoid Development and Drug Screening
视网膜类器官存在显著的批内异质性。DL图像分析用于分割类器官边界、量化层状结构和鉴定细胞类型，相关研究在gastruloid和青鳉视网膜类器官中完成，对人iPSC来源视网膜类器官的适用性为推断。生成模型（变分自编码器、生成对抗网络）用于学习细胞形态潜空间。药物筛选的直接视网膜证据仍有限。
4.6. AI in Cell Manufacturing and Bioreactor Optimization
搅拌罐生物反应器可改善人视网膜类器官的层状分层和光感受器产量，但尚无AI过程控制。LSTM等时序模型在HEK293生产过程中预测培养轨迹，属于可转移概念。计算机视觉可结合反应器观察窗进行实时形态监测；数字孪生可虚拟测试工艺参数。这些方法尚未在视网膜细胞产品上得到充分证明。
4.7. AI in Surgical Delivery and Post-Transplantation Monitoring
计算机视觉整合术中OCT可提供实时解剖引导。在一项随机临床前研究中，机器人辅助视网膜下注射的首次尝试成功率为91.7%（22/24），显著高于手动注射的37.5%（9/24）。移植后DL预测模型尚无视网膜移植受者数据；外部类比为肾脏移植中ML预测移植物衰竭AUC达0.92，但不应直接外推至视网膜场景。
5. The AI-Powered Cell Therapy Pipeline
5.1. Stage 1: Patient Selection and Stratification
AI可整合视网膜影像、视功能、基因突变和系统健康数据，生成个体化风险画像和疗效预测。自然语言处理（natural language processing, NLP）可从电子病历自动识别合格患者。拟议框架将患者分为三个风险层级（有利、中等和高风险），分别对应标准制造/监测、增强监测和个体化制造/围术期强化管理；这些层级是假设性的，尚无验证阈值。
5.2. Stage 2: Gene Editing Planning and Safety Assessment
AI平台依据预测的编辑效率、脱靶景观和染色质可及性筛选gRNA，并对超出风险阈值的候选进行剔除。选定策略经计算机模拟基因毒性风险，并设计安全检测panel。ML可预测克隆是否存在常规方法不可见的隐性脱靶事件；若没有候选gRNA满足要求，则转向非编辑细胞替代策略。
5.3. Stage 3: Cell Production, Differentiation, and Quality Control
AI监测培养过程中的形态学数据以预测分化效率和纯度，异常培养被标记供人工复核。释放测试涉及身份、纯度、效能和安全性，AI可识别批内过程指标与终产品属性之间的关系，加速放行。异常检测算法监测污染、设备故障和原料偏差，并记录以支持合规。
5.4. Stage 4: Surgical Delivery and Intraoperative Guidance
拟议的AI手术系统整合术前患者特异性解剖图、术中实时成像和预测分析，以规划并引导视网膜下注射轨迹。术中反馈可确认移植物定位并及时干预。手术和影像数据将进入纵向监测框架；此阶段证据主要来自临床前模型。
5.5. Stage 5: Post-Transplantation Monitoring and Outcome Prediction
多模态影像AI可自动分割OCT层、量化移植物和宿主组织状态。拟议的随访框架包含术后第1、4、12、24和52周评估，监测强度按风险层调整。三个示例性决策点包括：第4周早期整合判断、第3个月功能评估与再干预资格、第12个月长期轨迹；这些均为假设性规则，未经验证。结果数据反馈至患者分层、基因编辑设计、制造控制和手术计划，形成闭环学习框架。
6. Discussion
6.1. Principal Findings and Synthesis
AI在视网膜成像、患者分层和CRISPR脱靶评估等领域展示了可量化性能，但多数证据为视网膜相邻、跨领域、临床前或概念性。最成熟的转化应用是视网膜影像和CRISPR脱靶预测；生物反应器制造和移植后监测仍较早；iPSC质控和类器官表征尚处体外验证阶段。总体而言，AI是放大器而非自主决策者，例如提高脱靶检测灵敏度并不减少生物学事件本身。
6.2. AI as Potential Infrastructure
作者假设AI可能成为可扩展细胞治疗流程的支持性基础设施，但必要性未被证明。全自体流程涉及数十个可变步骤，需要稳健监控、预测和自适应控制。应区分已证明获益（主要限于视网膜成像）、合理未来效用和作者假设三类。
6.3. Gaps, Contradictions, and Limitations of the Evidence
文献中AI质量指标差异大，不同任务和验证设置下的准确率、AUC等不可直接比较。CRISPR脱靶预测与检测端点不同，且没有研究测量编辑事件生物发生率的减少。缺乏前瞻性临床试验是当前最大缺口，需要从开始就嵌入AI端点。
6.4. Limitations of the Review
作为叙述性综述，未进行正式效应量合并，选择存在作者判断偏差；发表偏倚可能高估AI性能；主检索限于2015–2025年英文文献，更新检索后仍可能遗漏未发表工作；证据水平分配和指标比较具有主观性。
7. Future Directions
7.1. Personalized and Precision Cell Therapy
联邦学习能够在分布式数据集上训练而无需集中患者数据，适合罕见视网膜疾病。多组学整合（基因组、转录组、蛋白组、代谢组、影像）可提供个体生物学状态的高分辨率视图。基础模型和大型语言模型可改善诊断预后精度并支持自然语言临床决策界面。AI驱动的治疗匹配有望将统一干预转变为个性化策略。
7.2. Next-Generation Organoid Models and AI-Accelerated Drug Discovery
未来视网膜类器官将整合血管化、免疫细胞和物理支架，AI分析可评估移植物-宿主相互作用和免疫排斥。高通量AI药物筛选可能加速神经保护剂、抗炎剂和分化增强剂的发现。器官芯片平台与类器官和多模态数据结合，可为联合细胞-基因-药物策略提供生理相关测试环境，但这仍属前瞻性愿景。
7.3. Closed-Loop and Real-Time AI Guidance
可植入监测设备和智能药物递送系统有望实现持续监测、自适应干预和早期排斥检测。术中AI系统可能从被动顾问演变为主动协作者，动态调整递送参数并预测并发症。这将需要针对自主或半自主AI手术系统的监管和伦理框架。
7.4. Regulatory Science and Clinical Translation
临床转化需要前瞻性试验预设AI端点、透明模型卡和上市后监测。FDA的AI/ML医学设备框架和EMA药物生命周期AI反思文件是起点，但专门针对AI嵌入细胞治疗制造和术中系统的行业特定指导尚未建立。
7.5. Equity and Global Access
当前AI训练数据集中于高收入、欧洲裔人群，可能在低收入和遗传多样人群中性能下降。视网膜疾病负担在许多中低收入国家较高，因此需要有意多样化训练数据集、开源模型共享和健康技术评估，以避免加剧健康不平等。
8. Conclusions
细胞疗法是视力恢复最有希望的路径，但全流程的复杂性和变异性一直限制其临床转化。本综述认为AI有潜力成为该流程的支持性基础设施，但必要性尚未被证明，且多数证据仍是相邻、跨领域或概念性的。AI不能替代生物学和临床专业技能，这一界限必须清晰。未来需坚持三项承诺：前瞻性试验中预先设计AI端点、训练数据集多样化以反映全球疾病负担、监管科学与嵌入制造和手术系统的AI同步发展。这些努力可能帮助推动AMD、RP、Stargardt病及相关疾病的细胞疗法从设想走向临床现实。
