研究说了什么
一项在泰国基层部署的前瞻研究，把深度学习系统读取的眼底照片与眼科医生的分级结果比较。对需要转诊的糖尿病视网膜病变，系统的敏感度约九成，特异度也接近九成。在印度与赞比亚的部署研究显示，筛查覆盖率提高，患者等待时间缩短。图像质量不合格率在百分之十到二十之间，需要重拍或转诊。一项回顾性研究纳入十余万张眼底照，系统对重度病变的识别优于对轻度病变。假阴性的病例多与屈光间质混浊、瞳孔过小或拍摄角度偏差有关。假阳性则常见于其他原因引起的出血，比如高血压视网膜病变与静脉阻塞。另一项研究把人工智能与初级保健医生的判读比较，系统的稳定性更好。但系统对青光眼、黄斑水肿与肿瘤的识别能力有限，需要单独设计模型。部署成本包括相机、网络、培训与质量控制，设备维护往往被低估。一项成本效果分析显示，在患病率较高的地区，人工智能筛查更具优势。目前多数系统作为分诊工具，最终诊断仍由眼科医生确认。监管审批要求提供不同人群的验证数据，包括肤色与屈光状态。阅片结果的反馈闭环，是筛查项目能否持续的关键。在缺乏眼科医生的地区，远程阅片与人工智能可以互补。
为什么重要
糖尿病视网膜病变是工作年龄人群失明的主要原因，早期没有症状。筛查间隔按分级决定：无病变一到两年，轻度九到十二个月，中度三到六个月，重度立即转诊。妊娠糖尿病与血糖控制突然恶化者，需要更密的检查。基层缺乏阅片人，是筛查覆盖率低的主要原因之一。人工智能把判读时间从数天缩短到数分钟，患者可以在同一次就诊中拿到结果。分诊准确率提高后，眼科资源可以集中在真正需要治疗的人身上。但技术不能替代随访，筛查阳性者若不能及时治疗，收益会归零。血糖、血压与血脂的控制，仍然是预防病变进展的基础。一项队列显示，糖化血红蛋白每下降一个百分点，病变进展风险下降约三成。患者对眼底照相的接受度较高，无创且快速，适合大规模推广。把筛查与糖尿病随访绑定，可以减少失访。对行动不便者，移动筛查车与社区拍摄能提高覆盖。图像质量是最大的技术瓶颈，需要现场质检与重拍机制。人工智能的阈值可以调整，敏感度优先还是特异度优先，取决于转诊资源。对偏远地区，把图像传出去比把患者送出去更现实。长期效果需要真实世界数据，而不仅是临床试验的准确率。
证据与边界
训练数据的人群代表性决定外推能力，以东亚人群为主的模型在南亚人群中可能失效。眼底照相的视野有限，周边病变容易被漏掉，七视野拼接更全面但成本更高。糖尿病黄斑水肿需要光学相干断层扫描确认，眼底照片只能提示。人工智能的假阴性会带来法律与伦理问题，责任归属尚无统一规则。监管审批多基于回顾性数据，前瞻性验证仍然不足。一项真实世界研究显示，部署初期的准确率低于试验环境，需要持续校准。图像质量不合格时的处理流程，必须在项目设计阶段确定。对已有其他眼病者，人工智能可能给出误导性的结论。筛查结果应进入病历，而不是停留在单独的软件里。患者教育要说明，筛查正常不代表可以停止控糖。出现视力突然下降、视野缺损或眼前黑影增多，应立即就医，而不是等待下一次筛查。成本效果依赖当地失明率、治疗能力与随访依从性，不能只看单次拍摄价格。阅片医生的培训与质量控制，与算法同样重要。对糖网合并肾病者，全身管理比眼底本身更能改变结局。技术推广的速度，往往快于配套政策的建立。这也是为什么多数指南仍把人工智能定位为辅助，而非替代。筛查项目的可持续性，最终取决于治疗端是否接得住。