标题：综合人工智能视网膜专家（CARE）系统的应用：一项全国性真实世界证据研究

作者： Duoru Lin, Jianhao Xiong, Congxin Liu, Lanqin Zhao, Zhongwen Li, Shanshan Yu, Xiaohang Wu, Zongyuan Ge, et al., Daniel SW Ting, Tien Y Wong, Yuzhong Chen, and Haotian Lin

发表来源：《The Lancet Digital Health》（2021）

由于缺乏受过训练的眼科专科医生，在基层和社区环境中提供专业眼科护理仍是全球性的重大挑战。尽管AI算法在受控的实验室环境中表现出色，但要证明其在多样化真实医疗环境中的一致性，仍需要严格的多中心测试。

一项发表于《The Lancet Digital Health》的全国性前瞻研究，评估了综合AI视网膜专家（CARE）系统——一个统一的深度学习网络，可在中国真实临床工作流程中同时筛查14种常见视网膜疾病。

这项研究测试了什么？

与针对每种疾病使用独立模型的传统AI系统不同，CARE系统采用单一的多标签卷积神经网络（Inception-ResNet-V2），并以超过200,000张眼底照片进行训练。

该系统在35个真实临床环境中接受了评估：

• 多样化临床环境：部署于三级医院、社区诊所及健康体检中心。
• 广泛的病种覆盖：经训练可检测14种主要视网膜异常，包括需转诊的糖尿病视网膜病变、青光眼性视神经病变、病理性近视及年龄相关性黄斑变性。
• 跨种族与跨设备的泛化能力：通过外部公开数据集（如美国的EyePACS）进行验证，以确认在不同种族群体及相机型号中的可靠性。

主要发现：真实世界表现与效率

这项大规模真实世界试验验证了CARE系统的稳健性与运行效率：

1.专科医生级别的诊断准确性

• 三级医院： CARE在14种病症上的平均AUC达0.965，与资深眼科医生的诊断表现相当。
• 社区诊所与体检中心：在基层医疗环境中保持出色的准确性，在社区医院和体检中心的平均AUC分别为0.983和0.953。
• 全球泛化能力：在美国EyePACS数据集上测试时，CARE对需转诊糖尿病视网膜病变的AUC达0.960，展现了在不同人群与成像设备上的强劲表现。

2.高计算效率

• 硬件要求低：由于使用单一神经网络而非14个独立模型，CARE运行时仅需3–6 GB的GPU内存。
• 可现场部署：较低的计算资源占用，使该软件可在偏远、资源匮乏的基层诊所的标准台式电脑上本地运行，无需持续的云端连接。

这对医疗健康与筛查意味着什么？

CARE研究证明，单一AI模型可以在真实环境中可靠地同时筛查多种眼部疾病。通过在基层医疗层面进行分诊，该系统确保高风险人群及时转诊至专科医生，同时避免二级和三级医院被常规检查压得不堪重负。

这种方式弥合了城市医疗中心与服务不足的农村社区之间的差距，将专家级的诊断支持直接带给基层医疗服务提供者。

总结

CARE系统证明，多病种AI筛查高效、有效，并已可在日常临床环境中部署，为在全球范围内扩大专业眼科护理的可及性提供了可规模化的解决方案。

请咨询您的眼科护理专业人员，进一步了解AI辅助筛查与全面的眼健康评估。

阅读完整的开放获取研究，刊载于《The Lancet Digital Health》。