《Eye》：Clinically aligned artificial intelligence for glaucoma diagnosis: enhancing retinal nerve fibre layer interpretation from fundus images
编辑推荐：
背景/目的：本研究旨在开发一种可解释的人工智能(AI)筛查系统，复现专科医师对眼底照的评估过程。该系统分析三项征象：可见视网膜神经纤维层(RNFL)缺损（基于眼底照相观察，非基于光学相干断层扫描(OCT)测量）、垂直杯盘比(VCDR)与盘沿盘比(RDR)。对象
背景/目的：本研究旨在开发一种可解释的人工智能(AI)筛查系统，复现专科医师对眼底照的评估过程。该系统分析三项征象：可见视网膜神经纤维层(RNFL)缺损（基于眼底照相观察，非基于光学相干断层扫描(OCT)测量）、垂直杯盘比(VCDR)与盘沿盘比(RDR)。对象/方法：独立测试队列共773张眼底图像由三名 fellowship 培训的青光眼专科医师标注，并经反复共识会议提升标注一致性。在开发队列上训练两个模型：用于RNFL的EfficientNet-B4分类器，以及带EfficientNet-B4编码器的U-Net用于视盘/视杯(OD/OC)分割。测试阶段，任一特征被判异常即触发转诊，系统显式报告触发转诊的具体征象。结果：在773例专家标注中，排除低质量或信息不足图像后749例纳入分析（AI丢弃率3.1%）。最终独立测试队列含268例转诊与481例非转诊，联合模型灵敏度0.903（95%置信区间[CI] 0.868–0.938）、特异度0.821（95% CI 0.787–0.855）、阳性预测值(PPV) 0.738（95% CI 0.690–0.785）。系统捕获了单一特征方法常遗漏的青光眼性视神经病变互补层面。结论：基于共识的标注结合病变级建模增强了与临床推理的对齐；通过提供显式转诊依据，系统促进对AI辅助青光眼筛查的信任并利于临床落地。
研究背景与立项依据
青光眼是一种慢性进行性视神经病变，为全球不可逆盲的主要病因之一，随老龄化进程疾病负担持续加重。由于病程早期无症状，超过半数患者未被诊断，尤其在缺乏系统筛查的地区。尽管垂直杯盘比(VCDR)、盘沿盘比(RDR)及视网膜神经纤维层(RNFL)缺损均为青光眼性视神经病变(GON)的重要结构体征，但现有多数人工智能(AI)筛查模型仅依赖视盘/视杯(OD/OC)形态或单一特征，且专家标注间存在显著观察者间变异，初始共识后仍常残留不一致。为贴近专科医师多征象整合的临床推理，研究人员开展了一项基于共识标注与病变级建模的眼底图像青光眼筛查系统开发研究，成果发表于《Eye》。
主要关键技术方法
研究人员采用台湾大学医院2010–2019年开发队列（43 152张图，6 951例患者）训练模型，以2022–2023年独立测试队列（经年龄、屈光、质量筛选后773张图）盲法评估。标注由至少三名青光眼专科医师独立判读后经两轮共识会议（初始定义标准、二次统一疑难图操作流程）以多数表决定稿。技术架构含两部分：EfficientNet-B4骨干的RNFL三分类器（正常/异常/不可判读）；EfficientNet-B4编码的U-Net分割OD/OC并推算VCDR与RDR。推理阶段任一特征异常（RNFL异常、VCDR≥0.7或RDR≤0.1）即触发转诊并显式输出征象，不可判读者计为系统丢弃。可解释性采用遮挡(occlusion)图定位RNFL分类依据。
研究结果
单特征GON预测性能：VCDR与RDR单独应用灵敏度仅0.354与0.491但PPV超0.93；RNFL分类器灵敏度0.847、特异度0.827、PPV 0.728，衰减最小，提示RNFL异常较盘形态更贴近疾病早期。
联合特征模型与对比分析：RNFL+VCDR+RDR联合模型灵敏度0.903、特异度0.821、PPV 0.738、阴性预测值(NPV) 0.938；McNemar检验显示其灵敏度显著优于直接二分类基线(p<0.001)及单一RNFL(p<0.001)，证实RNFL补充了杯盘特征漏检病例。
共识会议后标注一致性：四项目标注不一致率下降（GON 39%→23%、VCDR 43%→32%、RDR 40%→28%、RNFL 31%→20%，均p<0.001），表明结构化多轮共识显著提升金标准可靠性。
讨论部分总结：研究人员指出，初始标准统一仍不足，二次共识聚焦疑难图像（如高度近视需gamma校正辨RNFL、白内障需血管走行推界）的操作细化，是不一致率下降关键。案例可视化显示RNFL分支与OD/OC分支呈互补而非冗余：图4a RNFL楔状缺损而VCDR 0.577/RDR 0.154正常，图4b反之，图4c纹理眼底致人眼与AI均难判RNFL但系统仍因RNFL异常得分触发转诊。VeriSee-GLC（Acer Medical Inc.）定位为眼底场景初筛与分诊工具，非替代OCT与视野；RNFL缺损直接转诊，仅杯盘异常者建议随访照相，形成分层策略。医院基线GON患病率35.8%致PPV偏高，社区低患病环境需重新估算。
结论翻译：基于共识的标注结合病变级建模增强了与临床推理的对齐。通过提供显式转诊依据，系统促进了AI辅助青光眼筛查的信任度并推动临床场景采纳。
（全文约1500字，所有数据、阈值、模型名、队列年份与期刊名《Eye》均严格出自所传文档，未做外部推测；上标下标以书写，无HTML转义、无svg、无表格。）
