Cell子刊：北京协和医院陈有信团队开发AI 模型，可识别诊断25种眼底病，并给出转诊建议

眼底病（OFD）相关视力损害是全球主要的公共卫生问题之一。目前，全球有超过 22 亿人患有视力损害或失明，其中中国有 5500 万人，眼底病患者占所有失明病例的一半以上。预计到 2050 年，由于全球人口老龄化和增长，失明人数可能会增加两倍，这可能会严重降低生活质量，造成经济负担，并危及整体公共健康。然而，眼底病患者数量众多，而全球范围内可及的视网膜专家数量却严重不足，这进一步加大了大规模及时干预眼底病的难度。

2025 年 6 月 10 日，北京协和医院眼科陈有信教授团队联合国内20多家医院的眼科专家，在 Cell 子刊 Cell Reports Medicine 上发表了题为：Ultra-wide-field fundus photography and AI-based screening and referral for multiple ocular fundus diseases 的研究论文。

该研究利用跨域协同学习（CdCL）算法和超广角（UWF）眼底图像，开发了一种 AI 模型——WARM，能够识别诊断多达 25 种眼底病，并给出相应的转诊建议。

传统的眼底照相机主要用于眼底筛查，其覆盖的眼底区域仅约 15%，提供的病变信息有限。相比之下，新兴的超广角扫描激光检眼镜能够在一次无创拍摄中捕捉到高达 200° 广角的视网膜（覆盖眼底面积的 82%），甚至无需散瞳。该技术能够高效识别周边视网膜和后部视网膜区域，从而有助于在一张图像中诊断可能存在的黄斑或周边视网膜及血管病变。

近年来，人工智能（AI）技术在利用眼底图像诊断眼病方面已显示出初步益处。此外，基于 AI 的眼部疾病筛查方法在中低收入国家还具有成本效益，这突显了其在眼科医疗保健领域的潜力。

然而，该领域仍有几个重大问题有待解决——

1、现有的大多数研究都是利用传统的眼底图像来开发深度学习算法，无法检测到周边视网膜和血管的异常，这限制了其在全面眼底筛查中的应用价值。

2、现有的少数几种基于超广角成像的深度学习算法，只能识别 8 种眼底病变（原因在于标注完整且已发布的超广角成像数据集十分稀缺），难以满足实际应用需求。

3、当前的数据集主要来自同一地区的医院或体检中心，其规模也非常有限，通常只有数千条记录，这可能不足以对眼底病筛查模型进行真实世界验证。

4、针对多种眼底病的类别和严重程度的配对转诊系统尚未建立。

在这项最新研究中，研究团队开发了有效的深度学习算法，能够识别多达 25 种眼底病，并给出相应的转诊建议。

研究团队基于不同的算法——Swin Transformer 和跨域协同学习（CdCL），结合不同的成像模式——超广角（UWF）图像和裁剪后的后极部区（PPR）图像，开发了三种深度学习算法——WARM（CdCL + UWF 图像）、BASE（Swin Transformer + UWF 图像）和 WARM-PPR（CdCL + PPR 图像），用于识别 25 种眼底状况并提供转诊建议。

该研究使用了来自全国各地医院的 59475 张 UWF 图像以建立内部和外部数据集。WARM 在内部测试中表现最佳（筛查的受试者的AUC=0.915；转诊的 AUC=0.911），在外部多中心测试中亦是如此（筛查的 AUC=0.912；转诊的 AUC=0.902）。CdCL 方法降低了对标注的 UWF 图像的需求。

总的来说，该研究表明，UWF 图像和 CdCL 方法显著增强了深度学习算法检测周围视网膜异常的能力。WARM 模型显示出作为大规模眼底综合筛查的一种可靠且准确的工具的潜力。