人工智能（AI）在年龄相关性黄斑变性（AMD）的辅助诊断中正快速革新筛查、诊断和预后评估模式，其核心价值在于提升效率、精准度和可及性。以下结合最新研究与应用实践，系统分析其进展与挑战：
👁️ 一、AI在AMD筛查与诊断中的多场景应用
基层筛查普惠化 基于智能手机的便携眼底相机搭载离线AI算法，在资源匮乏地区实现高效筛查。例如，搭载Medios AI的智能手机设备在真实世界验证中，对需转诊的中晚期AMD检测灵敏度达90.62%，特异性达85.41%，性能接近台式专业设备（如蔡司Clarus 700），成本仅为传统设备的1/1014。德国Skleo Health公司通过药店、眼镜店布设此类设备，6分钟完成筛查，已覆盖德国50个城市，累计发现超3000例高危病例4。 多模态影像融合诊断 跨模态分析：如“多源AMD分析系统”兼容常规眼底彩照、OCT、超广角成像等数据，通过融合深度学习模型提取生物标志物（如玻璃膜疣、色素异常），提升分期的可解释性9。 专科视觉语言模型：RetinaVLM基于OCT图像生成AMD分期、转诊建议及生物标志物报告，在疾病分期任务中F1分数达0.63，接近眼科专家水平（0.77），显著优于通用医学AI模型3。 诊疗流程优化 AI辅助可缩短医生诊断时间并提升准确性：临床研究表明，AI辅助使医生诊断AMD的F1分数从37.71提升至45.52，单例诊断时间减少10.3
⚙️ 二、技术突破与临床验证效果
生物标志物量化与进展预测 基于鹿特丹研究的深度学习模型，通过自动量化眼底图像中的玻璃膜疣、网状假性玻璃膜疣等标志物，预测7年内向晚期AMD（地图样萎缩/渗出型）转化的AUC达0.867–0.883，尤其在渗出型预测中优于人工评估3。 孔明模型（KongMing）：预测抗VEGF治疗12个月后的视力与解剖预后，准确性超越资深眼科医生，为个体化治疗方案提供依据3。 跨种族泛化能力提升 升级版DeepSeeNet+通过39,196张多种族图像训练，在新加坡人群验证中F1分数提升13.48%，突破既往模型在亚洲人群的表现局限2。日本最新指南整合“厚脉络膜”病理特征，为AI模型优化亚洲特异分型（如PCV、PNV）提供标准框架6。 新型算法架构应用 AMDNet23：结合轮廓提取CNN与LSTM网络，通过自适应对比度增强提升图像质量，在AMD检测中表现出优越性能5。 3D可视化预测：如中国临床试验ChiCTR2400093122开发基于OCTA生物标志物的3D深度学习算法，动态监测治疗应答10。
🌍 三、实际落地应用与健康公平性推进
商业场景落地 Skleo Health获300万欧元种子轮融资，与眼科服务商Sanoptis合作构建筛查网络，目标月筛查量3万人次，并通过开放平台连接患者与专科医生4。 破解筛查公平性难题 设备可及性优先：研究证实，手持式视网膜相机的渗透率可达台式设备的10倍，即使其AI灵敏度略低（82% vs. 87%），但人群实现灵敏度（PAS）更高，更利于资源短缺地区8。 自动化转诊系统：加州大学研究显示，自动化转诊可将筛查率从13.4%提升至24%-34%，但贫困地区仍需针对性干预8。
🧩 四、挑战与未来方向
临床整合瓶颈 假阴性/阳性分析：AI假阴性中71%为中期AMD，假阳性中59%实为早期AMD，需结合医生复核与多模态验证1。 工作流程适配：仅24%的T2DM患者完成年度眼科筛查，需将AI嵌入基层电子健康系统（如自动提醒与转诊）8。 未来突破点 可解释性提升：通过热图、SHAP值解析AI决策依据（如孔明模型展示的关键预后特征）310。 预防性干预：T1DM研究中发现血糖控制与AMD风险负相关，AI或可整合代谢指标实现早期预警8。 跨病种整合：商用AI系统已可同步检测DR与AMD，提升综合眼健康管理效率5。
💎 总结：AI在AMD诊疗中的定位演进
从筛查工具→诊断助手→预后顾问，AI正逐步成为AMD全周期管理的核心赋能者。其核心价值不仅是技术性能，更在于通过便携设备、自动化流程与低成本方案重塑医疗可及性。未来需持续优化跨种族泛化能力、临床解释性及医工协作信任机制，最终实现“主动预防-精准干预-个体化管理”的闭环。 表：代表性AI系统在AMD应用中的性能对比
转载本文请联系原作者获取授权，同时请注明本文来自许培扬科学网博客。
链接地址：https://wap.sciencenet.cn/blog-280034-1494081.html?mobile=1
收藏
