随着深度学习算法与医学影像技术的融合，人工智能正重塑眼科疾病筛查领域。传统筛查依赖医生人工分析眼底图像，耗时费力且依赖经验判断，而AI模型通过海量数据训练，可快速识别糖尿病视网膜病变、青光眼等早期隐匿病灶。其图像分析精度超越人眼极限，不仅能捕捉微血管瘤、神经纤维层厚度等细微异常，还能预测疾病进展风险，将预防关口前移。在资源匮乏地区，AI驱动的便携设备更让大规模筛查成为可能，显著降低误诊率与医疗成本。

第40届亚太眼科学会年会（APAO 2025）将于2025年4月3日至6日在活力之都印度新德里隆重举行。作为亚太地区最具影响力的眼科学术交流平台之一，亚太眼科学会（APAO）年会一直是全球眼科学者获取知识、拓展视野、与同行深入交流合作的极佳机会。医脉通眼科精选APAO 2025中有关人工智能与机器学习在眼科疾病筛查中应用的精彩摘要，以飨读者。

在青光眼筛查中利用人工智能（AI）进行眼底镜检查结果解读

目的

青光眼作为引发不可逆失明的主要元凶，已然成为全球性的健康负担。在资源相对匮乏的地区开展青光眼筛查工作，往往受到人力资源短缺的严重制约。而当下，人工智能（AI）技术正于全球范围内蓬勃兴起，为应对上述挑战带来了极具潜力的解决方案。本研究作为一项开创性探索，旨在深入调查AI辅助眼底镜检查及其结果解释在青光眼筛查工作中的可行性与一致性。

方法

本试点研究于2024年3月开展，运用AI辅助的手持式眼底相机对患者的杯盘比（CDR）进行评估。为确保研究的客观性，安排一位对AI解释结果毫不知情的眼科医生顾问对患者进行独立检查。采用SPSS 20版软件，对眼科医生与AI针对CDR的解释结果之间的一致性展开分析。随后，运用配对样本t检验以及Cohen的Kappa系数，对AI生成的报告与临床医生的记录进行比较。

结论

本试点研究充分证实了AI辅助眼底镜检查在青光眼筛查工作中的可行性，尤其在资源匮乏的环境下具有显著的应用价值。研究结果表明，AI生成的CDR测量值与临床医生的测量值具有高度一致性。

研发并验证一种的机器学习算法预测未来十年患近视性黄斑病变的风险

目的

本研究旨在开发并验证一个能够精准预测高度近视患者近视黄斑变性（MMD）进展情况的预测模型。

方法

用于模型开发的高度近视队列涵盖了660名年龄在7 - 70岁之间，且双眼屈光度≤ - 6.00D的患者。同时，选取了中国眼成像项目中212名轴长（AL）≥25.5mm的参与者作为外部验证数据集。研究过程中，对34个临床变量进行了全面分析，这些变量涵盖人口统计学信息、生活方式、近视病史以及扫描源光学相干断层扫描数据。在预测因子选择方面，采用顺序前向选择方法，并运用五种不同的机器学习算法构建二元分类模型，以预测患者在10年内发生MMD进展的风险。

结果

在中位随访时间达10.9年期间，开发队列中有133例患者（占比20.2%）出现了MMD进展。其中，69例（51.9%）患者发展为新发MMD；11例（8.3%）患者因弥漫性萎缩而出现斑片状萎缩；54例（40.6%）患者表现为病变扩大；9例（6.8%）患者出现加征。经分析，MMD进展的前6个关键预测因素包括较薄的中央凹下脉络膜厚度、较长的轴长、较差的最佳矫正视力、年龄较大、女性以及较浅的前房深度。eXtreme Gradient Boosting算法在训练队列中展现出了最佳的判别性能，其受试者工作特征曲线下面积（AUROC）为0.87±0.02，且校准效果良好。在近视程度相对较轻的外部验证组（中位数 - 5.38D）中，48名患者（占比22.6%）在四年内出现了MMD进展，该模型在此验证组中的AUROC验证值为0.80±0.008。

结论

本研究构建的机器学习模型能够借助临床和影像学指标，提前十年有效预测MMD的进展情况。该预测工具有望准确识别出“高危”高度近视患者，从而为及时采取干预措施以保护患者视力提供有力支持。