期刊名：Journal of Clinical Medicine

期刊主页：https://www.mdpi.com/journal/jcm

眼科领域正处于一场由人工智能 (artificial intelligence, AI) 驱动的诊疗变革之中。从屈光手术中晶体度数计算的精准优化，到各类眼病的自动化筛查与诊断，再到对眼底影像的深度量化分析，AI技术正在系统提升临床诊疗的精确性、效率与可及性。本文为您梳理了该领域的最新研究进展，助您了解人工智能在眼科应用中的关键进展与未来方向。

论文1：

基于人工智能的眼内晶体度数计算公式综述

https://doi.org/10.3390/jcm13020498

人工智能与机器学习技术的兴起，为提升人工晶体 (intraocular lens, IOL) 屈光度计算精度提供了新的研究方向。本文旨在系统回顾并比较近年来基于人工智能 (AI) 的IOL屈光度计算公式的准确性。

选题方向参考：

未来研究可重点聚焦以下方向：其一，可以提升算法在特殊眼部条件下的适用性，例如需在角膜移植术、玻璃体切除术后等复杂病例中，进一步验证与优化现有AI公式的预测准确性。其二，通过集成学习等复杂算法架构，融合多种AI模型的优势，开发先进的模型融合策略。其三，探索将光学相干断层扫描 (Optical Coherence Tomography, OCT)、角膜地形图及眼前节参数等多源数据整合入计算模型，以构建更为全面的IOL屈光度预测体系。

论文2：

膜病变筛查在实际临床实践中的准确性

https://doi.org/10.3390/jcm13164776

本研究评估了人工智能系统IDx-DR在糖尿病视网膜病变筛查中的效能。该系统在基层医疗中可作为排除无病变者的可靠工具。然而，该系统存在高估病变严重程度的倾向，导致阳性预测值偏低，其阳性结果仍需专业医生复核。

选题方向参考：

未来研究可重点聚焦于两个方向：一是当前研究样本中“中度”和“重度”糖尿病视网膜病变病例极少，影响了AI系统在疾病严重阶段评估的可靠性，因此需纳入更多此类病例以全面验证其性能；二是该系统目前存在高估病变严重程度的倾向 (假阳性较多)，导致阳性预测值偏低。未来需通过增强数据多样性、整合临床医生反馈、并采用集成学习与可解释AI等先进技术来优化算法，旨在减少不必要的转诊并提升整体鉴别效能。

论文3：

基于新型人工智能技术对全层黄斑裂孔影像生物标志物进行评估：一项关键性临床试验的初步数据

https://doi.org/10.3390/jcm13020628

本研究验证了人工智能软件在黄斑裂孔手术前后自动量化关键OCT影像生物标志物的能力。分析表明，术前视网膜内液体积与术后视力恢复呈负相关，而外界膜与椭圆体带的完整性则与更佳的视力预后显著相关。

选题方向参考：

未来研究可聚焦于以下方向：其一，在模型构建上，可通过纳入裂孔形态学参数、患者人口学特征等更多潜在变量，并运用更复杂的AI算法，以建立能够预测术后视力恢复的综合模型。其二，在应用拓展上，当前研究已验证该AI算法在黄斑裂孔中的效能；此前，该算法 (Ophthal软件) 已在糖尿病性黄斑水肿中得到验证。未来可进一步拓展其应用场景，探索其在年龄相关性黄斑变性、视网膜静脉阻塞等其他玻璃体视网膜疾病中，用于生物标志物定量分析与预后预测的可行性。

论文4：

通过电子病历对发送至眼科诊所的患者信息进行分诊：人工智能与人工分诊性能的比较研究

https://doi.org/10.3390/jcm14072395

本研究对GPT-4在真实眼科临床场景中的分诊能力进行评估。研究发现，GPT-4与临床医生在专科分诊建议的一致性为64.7%，在紧急程度判断的一致性为60.4%。虽然GPT-4在多数情况下表现出保守分诊倾向 (93.5%案例建议更早就诊)，但6.5%的案例中存在低估临床紧急程度的潜在风险。本研究提示，AI系统需结合患者完整临床资料，并在医生监督下使用，以降低分诊失误可能导致的风险。

选题方向参考：

未来研究可聚焦于以下方向：其一，当前GPT-4仅依赖文本信息，其分诊能力存在局限，未来应致力于研发能整合眼科影像、详细病史等多模态数据的AI系统 (如EE-Explorer)，以实现更精准、全面的分诊评估。其二，本研究发现，模型输出受提示词设计影响显著，因此需系统探索提示词工程与交互流程的优化策略，以提升AI在临床分诊中的表现稳定性与可靠性。

论文5：

利用深度学习区分高度恶性的葡萄膜黑色素瘤和良性脉络膜痣

https://doi.org/10.3390/jcm13144141

本研究评估了深度学习模型在鉴别恶性葡萄膜黑色素瘤与良性脉络膜痣方面的效能。利用眼底彩色照片进行训练后，该模型在“良性或恶性”的二分类任务中表现出色。结果表明，这种基于单一影像模式的深度学习系统，具备成为临床实践中一种高效、经济的初步筛查工具的潜力，有助于实现对脉络膜病变的恶性风险分层。

选题方向参考：

未来研究可聚焦于以下方向：其一，鉴于当前研究基于单一机构的回顾性数据且样本量有限，需通过多中心合作构建更大规模、更多样化的数据集，并进行前瞻性外部验证，以系统评估模型的泛化能力与临床适用性。其二，为提升模型的可解释性与临床接受度，可引入梯度加权类激活映射等可视化技术，以阐明模型决策所依赖的影像学特征，为医生提供透明的判断依据。

JCM期刊介绍

主编：Emmanuel Andrès, University Hospital of Strasbourg, France; Kent Doi, University of Tokyo, Japan

主要发表所有临床及临床前研究方面的论文，涵盖但不限于心脏病学、胃肠病学和肝胰胆病学、临床神经病学、肿瘤学、骨科、内分泌与代谢、肾脏科和泌尿科、流行病学与公共卫生、口腔科、肺病学、眼科、妇产科、免疫学、血液学、临床心理学与精神病学、耳鼻喉科、皮肤科、临床营养、临床康复、老年病学、临床药理学等研究领域。

2024 Impact Factor：2.9

2024 CiteScore：5.2

Time to First Decision：18.5 Days

Acceptance to Publication：2.7 Days