人工智能在眼科疾病筛查与诊断中的应用潜力

1. 资料与方法

1.1 研究设计

本研究属回顾性队列研究，旨在探究人工智能技术在眼科疾病筛查与诊断中的应用潜能，研究对象为 2024年 8 月至 2025 年 7 月间于某三甲医院就诊的 68 例眼科患者，依据眼科疾病类型将患者分为两组：

A 组：34 例患者，借助人工智能系统对眼底影像展开分析并完成诊断。

B 组：34 例患者，运用传统影像学检查结合专家诊断的方式进行诊断。

本研究对比两组在诊断准确概率、漏诊概率、误诊概率及诊断耗时等方面的不同，以此评估人工智能在眼科领域的应用成效。

1.2 纳入标准

为保障研究对象具备代表性，特设定纳入标准：

年龄处于 18 至 80 岁之间，且被诊断为糖尿病视网膜病变、黄斑变性、青光眼等常见眼科疾病；

患者已接受眼科影像学检查，并同意提供影像数据及诊疗相关资料。

1.3 排除标准

为降低混杂因素影响，设定排除标准如下：

存在严重心、肝、肾功能不全或其他合并病症的处于孕期及哺乳期的女性影像数据缺失或无法进行评估的患者。

1.4 研究方法

人工智能辅助诊断：A 组通过基于深度学习的 AI 系统分析眼底影像，该系统借助卷积神经网络（CNN）识别病变区域并生成诊断建议，医生以此为依据进行诊断确认。

传统诊断：B 组依靠眼科专家结合影像学检查结果与临床症状开展诊断工作。

1.5 数据收集与处理

收集患者的基本信息（涵盖年龄、性别、疾病类型等）、眼科影像数据、诊断结果及临床随访信息，研究过程中对比两组患者的诊断耗时、准确性（包含灵敏度、特异度）、漏诊概率与误诊概率等指标，进而评估人工智能辅助诊断系统的应用效果。

1.6 统计学分析

采用 SPSS 统计软件开展数据分析工作，对于计量资料，运用 t 检验比较两组在诊断耗时与准确性等连续变量上的差异；对于计数资料（如漏诊概率、误诊概率），则采用卡方检验，所有分析均采用双侧检验，P 值 < 0.05 时判定为具有统计学显著性。

2.结果

2.1 患者基本情况

本研究共纳入 68 例患者，其中男性 34 例、女性 34 例，年龄范围为 18 至 80 岁，平均年龄为 58±8 岁，依据疾病类型将患者划分为人工智能辅助诊断组（A 组，34 例）与传统诊断组（B 组，34 例），A 组患者所患疾病包括糖尿病视网膜病变、黄斑变性、青光眼等常见眼科疾病，B 组患者的疾病类型与 A 组相近，且两组患者的基本资料（年龄、性别、疾病类型）无显著差异（P>0.05），患者的详细基本资料如表 1 所示。

表1：患者基本情况对比

2.2 诊断时间对比

A 组和 B 组在诊断耗时上展现出明显差异，A 组患者的平均诊断耗时为 8.2 分钟，B 组的平均诊断耗时则为 14.5 分钟，该差异经检验具有统计学意义（ （P<0.01） 。人工智能辅助系统可自动识别眼底影像中的病变区域，大幅缩短诊断所用时间，为医生提供了效率更高的辅助支持，两组患者的平均诊断时间详细对比情况如表 2所示。

表2：诊断时间对比

2.3 诊断准确性

A 组诊断准确概率为 95% ，B 组为 87% ，两组差异具有显著意义（P<0.05）；A 组漏诊概率为 2.9% ，B 组为 12.2% （P<0.05），A 组误诊概率为 1.7% ，B 组为 6.5% 。这一结果说明，人工智能辅助诊断能明显提升诊断准确程度，降低漏诊与误诊的发生情况，两组的漏诊概率和误诊概率对比数据。

4. 结论

本研究表明，人工智能在眼科筛查与诊断中具备显著优势，可提升效率、降低漏诊误诊，为医生提供有力辅助。随着技术进步，AI 将在提升诊疗质量与效率中发挥关键作用。未来应优化算法，增强可解释性和通用性，推动精准高效的眼科诊疗服务整体发展。

参考文献：

[1] 令倩 ， 肖 轶 尘 ， 邵 毅 . 人 工 智 能 在 儿 童 眼 科 疾 病 诊 断 中 的 应 用 [J]. 眼 科 新 进展，2024，44（06）：487-493.DOI：10.13389/j.cnki.rao.2024.0094.

[2] 邵毅， 龚岚， 刘婷婷， 等. 人工智能在神经眼科疾病诊断中的应用指南（2023 ）[J]. 眼科新进展，2023，43（12）：925-933.DOI：10.13389/j.cnki.rao.2023.0185.

[3]陶思翰，马广成，陈茜，等.人工智能在老年眼科疾病检测中的应用[J].实用老年医学，2023，37（09）：865-868.