2025人工智能在视网膜液监测中的应用指南

2025人工智能在视网膜液监测中的应用指南本指南由医学人工智能研究与验证工业和信息化部重点实验室、致盲性眼病防控及智能诊疗北京市重点实验室、首都医科大学附属北京同仁医院联合制定，结合2025版《六百万体检人群健康蓝皮书》相关数据及最新临床研究成果，规范人工智能（AI）技术在视网膜液监测中的应用，旨在提升视网膜疾病早期筛查、诊断及治疗随访的精准度与效率，推动眼健康管理普惠化发展，适用于各级医疗机构眼科、体检中心及相关AI技术研发与应用机构。一、指南总则（一）制定目的视网膜液异常积聚（如黄斑水肿、视网膜下液）是年龄相关性黄斑变性（AMD）、糖尿病视网膜病变、青光眼等致盲性眼病的核心病理特征，其监测精度直接影响疾病早期发现、病情评估及治疗方案调整。随着AI技术在眼科影像分析领域的快速突破，尤其是多模态影像融合、动态时序追踪等技术的成熟，为视网膜液精准监测提供了新路径。本指南明确AI技术在视网膜液监测中的应用范围、操作标准、质量控制及安全要求，统一临床应用规范，减少人工误差，提升诊疗效率，助力基层医疗机构提升视网膜疾病防控能力，降低不可逆性致盲风险。（二）适用范围1.适用机构：各级医院眼科、眼科专科医院、体检中心、社区卫生服务中心等开展视网膜液监测的医疗机构，以及从事视网膜AI监测技术研发、产品生产的相关企业。2.适用人群：视网膜液异常相关疾病高危人群（40岁及以上人群、糖尿病患者、高血压患者、高度近视人群等）、视网膜疾病确诊患者、术后随访人群及健康体检人群。3.适用技术：基于深度学习、联邦学习、边缘计算等AI技术，针对光学相干断层扫描（OCT）、眼底彩照、荧光造影等影像数据的视网膜液识别、量化、动态追踪及风险预测技术。（三）核心原则1.精准性原则：AI监测结果需满足临床诊疗要求，视网膜液识别准确率不低于95%，体积量化误差率低于5%，确保数据可用于临床决策。2.安全性原则：严格保护受检者隐私，影像数据采用私有化部署或加密存储，符合国家医疗数据安全相关标准；AI辅助诊断结果仅作为临床参考，不可替代医师最终诊断。3.实用性原则：AI监测流程需简洁高效，适配各级医疗机构设备条件，尤其兼顾基层机构便携化需求，降低操作门槛，提升应用可及性。4.动态更新原则：结合临床研究进展、AI技术迭代及2025版《六百万体检人群健康蓝皮书》等大数据成果，定期更新指南内容，确保应用规范性与时效性。二、视网膜液监测相关基础（一）视网膜液的临床意义视网膜液是眼部微环境的“晴雨表”，其异常积聚常早于临床症状出现，是视网膜疾病早期预警的重要指标。视网膜液的体积、分布、成分及动态变化，直接反映疾病活动性及治疗效果：如黄斑水肿常提示糖尿病视网膜病变或静脉阻塞进展，视网膜下液增多可能预示AMD干湿型转化，而治疗后视网膜液吸收速率可评估抗VEGF疗法的疗效。此外，视网膜液相关指标还可辅助揭示STGD1等遗传性视网膜疾病的分子病理机制，为个性化治疗提供依据。（二）传统监测方法及局限性传统视网膜液监测主要依赖人工解读OCT、眼底彩照等影像，结合眼压测量、视力检查等手段，存在明显局限性：一是人工解读效率低，单张OCT影像解读需5-10分钟，难以满足大规模体检及批量随访需求；二是主观性强，不同医师解读一致性较差，尤其是基层医师经验不足时，易出现漏诊、误诊；三是量化精度不足，人工难以精准测量微小液腔体积及动态变化；四是基层覆盖不足，高端影像设备及专业医师资源集中在大型医院，基层人群难以获得及时监测。（三）2025年AI监测技术发展现状2025年，AI在视网膜液监测领域已实现多维度突破，核心技术趋于成熟：一是高精度分割技术，基于U-Net、MaskR-CNN等深度学习模型，可精准分割视网膜各层积液，区分渗出性与非渗出性病变，微小液腔检出率较传统方法提高30%；二是动态追踪技术，结合时序分析与光流法，可量化视网膜液体积变化趋势，辅助评估疾病进展及治疗效果；三是多模态数据融合技术，整合OCT、眼底彩照、荧光造影及基因组数据，提升液体类型分类准确性至90%以上，还可实现基因型-表型关联分析，预测STGD1患者病程进展速度；四是轻量化部署技术，基于MobileNetV3等模型，实现边缘计算本地化处理，单次扫描分析时间压缩至200毫秒内，适配便携式设备，可用于基层筛查及居家随访；五是自适应学习机制，通过联邦学习持续更新模型，适应不同人群、设备差异，在多种族数据集上的泛化性能F1-score达0.85，结合超600万体检人群大数据，进一步提升了模型的临床适配性。三、AI在视网膜液监测中的核心应用场景及操作规范（一）早期筛查与风险预警1.应用目标：针对健康体检人群及高危人群，快速识别视网膜液异常，预警致盲性眼病风险，实现“早筛查、早诊断、早治疗”，尤其提升40岁及以上人群的异常检出率（该人群眼底异常检出率已达90%以上）。2.操作流程：（1）影像采集：采用符合临床标准的OCT设备或眼底相机，采集受检者双眼视网膜影像，确保影像清晰、无明显运动伪影，采集参数统一（如OCT扫描深度、分辨率）。（2）AI分析：将影像数据导入经临床验证的AI视网膜液监测系统，系统自动完成影像预处理（去噪、对齐）、视网膜液区域识别、体积量化及异常分级。（3）结果解读：AI系统生成筛查报告，标注异常区域位置、液体积聚程度及风险等级（低、中、高）；医师结合受检者年龄、病史、其他检查结果，进行综合解读，排除假阳性。（4）后续处理：高风险人群需进一步完善眼底荧光造影、眼压测量等检查，明确诊断；中低风险人群定期随访，每年至少进行1次AI监测，动态追踪视网膜液变化。3.质量要求：影像采集合格率不低于98%，AI异常识别灵敏度不低于92%，假阳性率不高于8%；筛查报告需包含影像缩略图、异常标注、量化数据及随访建议。（二）疾病诊断与分型1.应用目标：针对视网膜液异常阳性人群，辅助医师明确疾病类型、分期，为治疗方案制定提供精准依据，尤其适用于AMD、糖尿病视网膜病变、青光眼等疾病的鉴别诊断。2.操作规范：（1）多模态影像采集：除OCT影像外，根据疑似疾病类型，补充眼底彩照、荧光造影等影像，必要时采集眼内液样本，结合实验室检测数据。（2）AI多维度分析：AI系统整合多模态数据，自动识别视网膜液的分布特征（如黄斑区、视网膜神经纤维层）、形态（弥漫性、局限性）及成分差异，区分渗出液与出血，辅助疾病分型（如AMD干性/湿性、糖尿病视网膜病变增殖期/非增殖期）。（3）临床验证：医师结合AI分析结果、患者症状及病史，进行最终诊断，明确疾病分期及病情严重程度；对于疑难病例，可通过AI系统的病例库进行相似病例匹配，辅助决策。3.核心要求：AI疾病分型准确率不低于90%，可提供量化数据（如液体积、渗出范围）支持临床诊断；医师需对AI结果进行复核，严禁仅依据AI结果作出诊断。（三）治疗响应评估与方案调整1.应用目标：针对视网膜疾病治疗患者（如抗VEGF注射、玻璃体切除术），动态监测视网膜液变化，评估治疗效果，辅助医师调整治疗方案，减少过度治疗或治疗不足。2.操作规范：（1）基线监测：治疗前采集视网膜影像，通过AI系统量化视网膜液体积、分布，建立基线数据。（2）随访监测：治疗后按规定时间点（如1个月、3个月、6个月）采集影像，AI系统自动对比基线数据，计算视网膜液吸收速率、体积变化率，生成动态变化曲线。（3）疗效评估：医师结合AI动态监测结果、患者视力变化及临床症状，评估治疗效果（有效、无效、进展）；对于治疗无效或病情进展者，AI系统可结合历史数据，辅助推荐调整治疗方案（如增加抗VEGF注射频次、更换治疗方式）。（4）长期随访：对于慢性疾病患者，建立长期AI监测档案，动态追踪视网膜液变化，预警病情复发风险，如玻璃体切除术后视网膜积液复发的概率预测。3.质量要求：AI动态对比误差率低于5%，可准确识别视网膜液微小变化（如体积变化≥0.1mm³）；随访报告需包含基线与随访数据对比、变化趋势分析及治疗建议。（四）居家随访与远程监测1.应用目标：针对行动不便的患者（如老年患者、术后卧床患者），实现居家视网膜液监测，减少就医次数，提升随访依从性，尤其适用于偏远地区患者。2.操作规范：（1）设备部署：为患者配备便携式AI视网膜监测设备，指导患者及家属正确操作，确保影像采集质量。（2）数据上传：患者按随访计划采集影像，通过加密网络上传至医院AI监测平台，平台自动完成分析并生成报告。（3）远程解读：医师通过平台查看AI报告及影像，对异常情况及时干预，通过线上方式指导患者调整治疗方案或预约线下就诊。（4）数据管理：建立居家随访档案，整合每次监测数据，通过AI系统生成长期变化趋势，为临床诊疗提供完整依据。3.安全要求：居家监测设备需符合医疗设备标准，数据传输采用加密协议，保护患者隐私；建立设备定期校准机制，确保监测精度；医师需定期与患者沟通，确认监测操作规范性。四、AI监测系统的选型与质量控制（一）系统选型标准1.临床验证：AI系统需经过多中心临床验证，验证数据样本量不低于1000例，涵盖不同年龄、种族、疾病类型，且需包含2025版《六百万体检人群健康蓝皮书》相关人群特征，核心性能指标（准确率、灵敏度、特异性）符合本指南要求，并获得国家药品监督管理局相关认证。2.兼容性：系统需支持主流OCT设备、眼底相机的数据导入，兼容医院PACS系统，可实现影像数据、AI分析结果与电子病历的无缝对接，支持DICOM标准接口。3.易用性：操作界面简洁，适配不同层级医师使用，基层医师经过简单培训即可掌握；具备自动报告生成、数据统计、病例管理等功能，提升工作效率。4.可扩展性：支持模型升级与功能扩展，可根据临床需求新增视网膜液成分分析、疾病进展预测等功能，适配AI技术迭代需求。5.安全性：具备数据加密、权限管理、日志记录等功能，符合《医疗数据安全指南》，确保患者隐私及数据安全，采用私有化部署的医疗云存储，通过国家公安部信息系统安全等级保护备案(三级)。（二）质量控制要求1.影像质量控制：建立影像采集标准，明确采集参数、操作规范，定期对采集设备进行校准；安排专人审核采集的影像，剔除模糊、伪影明显的影像，确保AI分析的准确性。2.AI模型质量控制：定期对AI系统的核心模型进行验证，结合最新临床数据及多中心研究成果，更新模型参数，确保模型性能稳定；建立AI结果复核机制，医师对所有AI异常报告进行复核，降低假阳性、假阴性率。3.操作质量控制：对相关医师、技术人员进行培训，明确AI监测流程、操作规范及结果解读标准；定期开展质量考核，确保操作一致性。4.数据质量控制：建立完善的数据管理体系，确保监测数据的完整性、准确性、可追溯性；定期对数据进行备份，防止数据丢失；严格保护患者隐私，严禁泄露患者个人信息及影像数据。五、安全与伦理要求（一）隐私保护1.视网膜影像及监测数据属于患者敏感医疗信息，需严格按照《中华人民共和国个人信息保护法》《医疗数据安全指南》等相关规定，采用加密存储、权限管理等措施，防止数据泄露、篡改、滥用。2.AI系统需具备完善的权限管理功能，不同岗位人员分配不同操作权限，仅授权人员可查看、操作患者数据；数据传输过程采用加密协议，避免数据在传输过程中泄露。3.用于AI模型训练的数据，需经过患者知情同意，进行脱敏处理（去除患者姓名、身份证号等个人识别信息），确保数据使用符合伦理要求。（二）伦理规范1.AI监测结果仅作为临床辅助参考，不可替代医师的专业判断，医师需对患者的诊断、治疗方案负最终责任，严禁将AI系统作为独立诊断工具使用。2.向患者明确告知AI监测的目的、流程、局限性及结果解读方式，获得患者知情同意后，方可开展监测；对于AI监测发现的异常情况，及时向患者反馈，并提供规范的诊疗建议，避免引起患者恐慌。3.禁止利用AI视网膜液监测技术开展未经临床验证的研究或商业推广，确保技术应用的公益性与规范性；AI模型训练及临床应用需遵循医学伦理原则，尊重患者的知情权、选择权。（三）风险防控1.建立AI监测风险预警机制，及时发现并处理AI系统的故障、误判等问题；对于AI结果与临床判断不符的情况，及时组织专家会诊，明确诊断。2.定期对AI系统进行维护、升级，排查安全隐患，确保系统稳定运行；建立应急处理方案，应对数据泄露、设备故障等突发情况。3.加强对AI技术应用人员的伦理培训，提升其隐私保护意识、伦理意识，杜绝违规操作。六、基层应用适配建议结合基层医疗机构设备条件、人员水平及眼健康筛查需求，提出以下适配建议，推动AI视网膜液监测技术下沉：1.设备选型：优先选择便携式、低成本、操作简便的AI视网膜监测设备，适配基层医疗机构的场地及资金条件，支持快速筛查，无需专业医师全程操作。2.人员培训：开展基层医师、技术人员专项培训，重点讲解视网膜液监测基础、AI系统操作、结果解读及异常情况处理，提升基层人员的应用能力；建立上级医院与基层医院的联动机制，提供远程指导。3.筛查模式：结合基层健康体检、慢性病管理等工作，开展视网膜液异常筛查，重点覆盖40岁及以上高危人群，建立筛查档案，实现“筛查-诊断-随访”闭环管理。4.数据共享：建立基层与上级医院的AI监测数据共享机制，基层医院可将异常病例数据上传至上级医院，获得专家远程会诊支持，提升基层诊疗水平；同时，基层数据可纳入区域眼健康大数据平台，为公共卫生研究提供支撑。七、指南更新与实施（一）指南更新本指南将根据以下情况定期更新：1.AI技术在视网膜液监测领