开发深度学习模型以筛查非洲血统人群的原发性开角型青光眼

这对日常眼健康的重要性

青光眼是全球导致不可逆盲失的主要原因之一，往往在出现任何症状之前悄然夺去视力。本研究探讨了人工智能如何帮助更早发现一种常见类型的青光眼，特别是在面临更高风险且难以获得专科眼科服务的非洲血统社区。通过教计算机解读眼部照片，研究人员希望将可靠的青光眼筛查带入初级保健诊室、社区诊所和资源匮乏的环境。

威胁视力的隐形危险

原发性开角型青光眼会慢慢损害视神经——将视觉信息从眼睛传到大脑的“电缆”。在早期，人们通常感觉良好且视力正常，即使其侧向视野开始缩小。由于这种疾病进展隐匿，并且眼科检查在许多地区可能耗时且稀缺，大量患者在视力丧失变为不可逆之前仍未被诊断。非洲血统人群承受的负担尤为沉重：他们既更容易患上青光眼，也更可能因此失明，同时在医学研究和高质量影像数据集中长期代表性不足。

教计算机阅读眼底影像

研究团队构建了一个自动筛查系统，研究眼球后部的彩色照片，称为眼底图像。这类照片拍摄成本相对低且易于获取，甚至可在专科门诊外完成。研究人员利用来自原发性开角型非裔美国人青光眼遗传学（POAAGG）研究的超过64,000张图像，训练深度学习模型去区分患病眼与未患病眼。他们比较了两种前沿方法：一种是卷积型“ResNet”模型，另一种是“视觉变换器（Vision Transformer）”，后者以图像小块为单位进行分析，并能突出其关注的区域——通常是视神经的杯盘区，青光眼相关的变化常在此处出现。

优先挑选最清晰的图片

在真实筛查中，每次就诊通常会拍摄多张图像以避免眨眼或模糊等问题。研究人员并没有将所有图像全部输入模型，而是探讨是否仅精心挑选最有信息量的图片可以提高准确性。他们测试了两种自动选择策略。一种使用分割模型勾画视神经并选出具有特定大小特征的图像。另一种——二元分类器——学会模仿阅片中心的专家分级员，将“合格”图像与劣质图像分开。用二元分类器从每次就诊中仅选择六张高质量图像，其表现可与人工分级员匹敌，并明显优于使用所有图像或基于分割的方法。

将多条线索合并为一个结果

在从一次就诊中选出最佳图像后，系统用视觉变换器对每张图像进行检测，并输出青光眼存在的概率。研究人员随后探索如何将多张图像的概率合并为单一筛查决策。对所选图像取简单平均值给出了最可靠的结果，略优于仅依赖极端值。总体而言，这一流程——先由二元分类器进行图像选择，随后逐图预测并取平均——在区分青光眼与非青光眼病例方面表现出较高能力。在对来自中国患者的独立数据集进行测试时，模型仍能较好地工作，且额外实验显示，使用更大规模的训练集对这种跨群体迁移至关重要。

这对患者可能意味着什么

研究表明，经过精心设计的人工智能流程，并基于大量来自非洲血统个体的眼底图像训练，能够仅凭简单照片准确地标记可能患有青光眼的人群。尽管该系统尚未达到某些机构为完整诊断工具设定的极为严格的阈值，但它非常适合作为在眼科专家稀缺的环境中的初筛工具。若在更多样化的人群和不同相机上获得更多验证，并可能与其他眼科检测结合，这项技术未来有望部署在初级保健诊所、社区活动或农村卫生中心。目标很明确：更早发现青光眼，将高危者转诊给专科医生，并防止可避免的失明——特别是在受影响最严重的社区中。

引用: Li, S., Salowe, R., Lee, R. et al. Development of deep learning model to screen for primary open-angle glaucoma in African ancestry individuals. npj Digit. Med. 9, 214 (2026). https://doi.org/10.1038/s41746-025-02318-2

关键词: 青光眼筛查, 人工智能, 视网膜成像, 非洲血统健康, 深度学习医学