夜雨聆风
人工智能正在以前所未有的速度进入眼科。从眼底筛查到OCT判读，从疾病分级到预后预测，AI已经不再是未来概念，而是正在发生的临床现实。眼科也因此成为全球医疗AI落地最快、商业化最成熟的专科之一。但AI带来的，从来不只是效率提升。当算法的诊断速度越来越快、准确率越来越高，一个更值得思考的问题浮出水面：AI究竟是在提升医生，还是在替代医生？
支持者认为，AI能显著提升诊断效率、减少误诊漏诊，并扩大优质眼科服务的可及性；质疑者则担忧，过度依赖AI可能削弱医生批判性思维，放大算法偏倚，甚至冲击医患关系与医疗伦理体系。技术正在加速演进，而争议同样持续存在。
在这场关于效率、责任、伦理与信任的讨论中，眼科或许正站在医疗AI变革的最前沿。以下分享来自 Clinical Insights in Eyecare 于 2026 年 4 月发表的 Point-Counterpoint 栏目文章 《An Overview of Artificial Intelligence in Eye Care》。文章围绕人工智能（AI）在眼科临床中的应用展开正反讨论，系统分析其临床价值、现实挑战及未来发展方向。
人工智能（AI）是计算机科学的分支，旨在研发可模拟人类思维的程序¹。其运行逻辑为分析海量数据、挖掘内在规律，以此支撑更科学的临床决策¹。人工智能的核心功能是依托数据集解决问题、识别特征规律，且无需人工持续干预即可自主优化性能¹，²。人工智能并非单一、全覆盖技术，而是包含多个细分领域，可将智能功能嵌入各行各业应用程序，覆盖商业、制造业、医疗等领域；它有望重塑信息交互模式、简化问题解决流程、优化人机沟通体验²，³。
发展历程
人工智能的雏形构想最早可追溯至古代神话与 18 世纪概率理论体系，当时人们设想可收集信息、辅助推演的 “创意生成装置”²。尽管这类设想在彼时仅停留在空想阶段，但随着计算机问世，依靠实证数据打造非人类智能体的目标终于落地。计算机性能迭代后，信息采集与运算速度远超人类，得以挖掘数据中可解读的规律与趋势，奠定了人工智能的发展根基 ²。算力技术进一步革新催生了 transformer 架构，生成式人工智能模型由此诞生，能够学习数据底层特征并自主生成视频、音乐、图像、文本内容³。这类概率模型属于第一代人工智能⁴。医疗领域早期人工智能的典型应用为临床决策树等工具⁴。
第二代人工智能以机器学习、尤其是深度学习为核心，依托卷积神经网络算法实现图像解读、识别与分类⁴。该类人工智能具备任务专一性，一套系统仅能完成单一工作⁴。深度学习模型依靠标注数据集完成训练，标注内容为判定标准，例如将图像标注为 “猫”⁴。不同于传统预设固定规则的程序，深度学习模型可自主学习、挖掘数据内在规律⁴。经典案例为一套深度学习系统，其糖尿病视网膜病变检出准确率可媲美资深眼科专科医师⁵。如今人工智能浪潮席卷社会各行各业³。
第三代人工智能即生成式人工智能，与前两代存在本质差异：依托大语言模型，无需重新训练即可完成多类型任务⁴。生成式人工智能并非真正具备 “思考能力”，而是基于训练数据习得的语言规律，预测文本中最可能接续的词汇。当前各类写作辅助工具、图像生成平台、具备对话理解能力的聊天机器人，都是生成式人工智能落地于日常生活的代表⁴。
人工智能在医疗领域的应用概述
广义上，人工智能通过预测分析、数据驱动算法赋能医疗工作³：辅助鉴别诊断、制定治疗方案，预测疾病发病、死亡趋势，提升诊疗效率与就医质量³。
在医学科研层面，人工智能价值突出：加速标准化治疗方案研发、助力新药研发、推动新型根治性疗法落地³。
在精准诊断赛道，人工智能在影像判读领域成效尤为显著 ³。医疗行业 “四重目标” 框架明确了人工智能的临床价值：改善群体健康水平、优化患者就医体验、提升医护工作效能、降低医疗成本³，⁶，⁷。
人工智能系统可打通不同医疗机构、不同科室医护人员的数据互通渠道。对患者而言，集成智能对话系统的可穿戴设备（智能手表等）可实时监测生命体征；人工智能虚拟助手也具备巨大潜力，能够完善、优化医患沟通³，⁶，⁷。
本文梳理人工智能当前医疗落地场景，辩证分析其优势与短板。
核心优势：快速高效归集临床信息、辅助循证决策、减少数据采集与分析阶段的人为偏倚；自动处理重复、高强度、耗时长的工作，释放医护人员精力，使其专注复杂诊疗与创造性临床工作¹。
现存局限：落地部署成本高昂，针对专科场景的定制化改造费用突出；自动化系统会替代部分人工岗位，造成医疗人力缩减；人工智能不具备人类独有的细腻思辨与创造性；同时存在大量伦理、数据安全隐患⁸。
尽管对大众而言人工智能仍属于 “黑箱系统”，伦理争议不断，且或将重塑医疗行业工作模式，但人工智能融入视光临床已是必然趋势。它是优化诊疗逻辑、支撑临床判断的优质工具；伴随技术持续迭代，人工智能在常规眼科诊疗中的应用占比将持续提升。
Leslie Wilderson, OD, FAAO, Dipl AAO
眼科临床应用场景
人工智能可辅助医师通过影像识别眼部组织结构病变，拓展医师诊疗能力边界⁹，¹⁰。多款成熟商用工具已投入临床：Altris AI、RetinAI Discovery、Notal 光学相干断层扫描分析仪等，均可识别眼底影像异常、支撑临床决策。此类系统缩短医师影像阅片耗时，让医师将重心放在疾病确诊与治疗方案规划上⁹⁻¹¹。多项研究证实，深度学习算法基于眼底照片、光学相干断层扫描影像检出眼部疾病的准确度，与资深眼科专家持平⁵，¹⁰，¹²。人工智能可识别眼部细微结构改变，自动完成病例分级、优先处理高危患者，实现早期干预⁹，¹⁰。此外，人工智能辅助眼病判读可提升诊断一致性，拓宽眼科医疗服务可及性，尤其适用于专科医师稀缺、医疗资源匮乏地区⁵，⁹，¹²。常规门诊数据显示，人工智能优化诊疗流程、缩短患者候诊时长¹³。
里程碑式核心研究
眼科人工智能领域经典研究团队包含 Grzybowski 团队¹⁴、Gulshan 团队⁵、Ting 团队¹⁵、De Fauw 团队¹⁰、Abràmoff 团队¹⁶等。系列研究统一证实：深度学习算法判读眼病影像的性能可达到专业阅片医师水准，多数场景下优于传统人工影像分析法⁵，¹⁰，¹⁴⁻¹⁶。Ting 团队依托多中心大样本数据集完成模型验证，证明算法在不同人种、多种视网膜疾病中均具备稳定泛化能力¹⁵。Grzybowski 团队 2024 年完成一项全面系统综述，完整梳理人工智能算法在各类视网膜病变、多类影像检测任务中的性能、应用范围与适用广度¹⁴。Abràmoff 团队主导的关键临床试验推出全球首款获 FDA 认证的自主人工智能诊断系统 IDx-DR（Digital Diagnostics），是临床人工智能监管层面里程碑式成果¹⁶。Gulshan 团队的经典研究采用 Eye Picture Archiving and Communication System（EyePACS）数据集 —— 目前全球应用最广泛的糖尿病视网膜病变人工智能训练、验证公共数据集⁵。该数据集样本具备高度人种代表性，收录非洲裔、欧洲裔、亚裔、印度次大陆族群、美洲原住民眼底影像¹⁷。样本多元化是该数据集核心优势，全球大量视网膜疾病人工智能研发、验证团队均采用该数据集¹⁷。Kaggle 平台公开的 EyePACS 衍生模型证明：通过针对性去偏优化，深度学习系统可消除诊疗差异、重塑眼科诊疗格局¹⁷。EyePACS 数据集是医学人工智能发展转折点，首次证实深度学习影像诊断能力可对标人类资深医师⁵。
强化医师临床思辨能力
人工智能应定位为临床决策辅助工具，而非替代医师判断，在此前提下可强化医师眼病诊疗逻辑¹⁸。人工智能整合海量数据、挖掘具备临床价值的潜在规律，帮助医师发现新型疾病特征，促使医师重新审视过时诊疗思路形成的固有诊断惯性¹⁹。医师可依托人工智能系统开展对照分析、接收循证诊疗建议，并结合患者实际临床场景解读结果，这一过程倒逼医师开展反思性推理，最终提升而非削弱临床批判性思维¹⁸，²⁰。
医患关系
近年调研数据显示，2024 年临床人工智能工具普及率大幅提升，约三分之二医师日常使用医疗人工智能系统，而前一年该比例不足 40%²¹，²²。人工智能打通多科室诊疗协作渠道，直接改善患者就医体验²³。
同时，人工智能提升诊断精准度，正向优化医患沟通质量。影像判读、数据统计、病例分级等耗时工作交由系统自动处理后，医师拥有更多时间与患者面对面沟通、开展健康宣教、共同商议治疗方案。人工智能缩小不同医师间诊断差异，提升诊断可信度，增强患者就医信任感²³。
在眼病筛查场景，人工智能系统达到专家级诊断水平，大幅扩大医疗服务覆盖范围，弥补偏远、基层地区专科医师缺口¹²。人工智能筛查实现早发现、早转诊，干预时机提前，改善疾病预后；在标准化诊疗框架下，患者满意度与就医信任度同步提升¹⁸，²²。
临床中规范落地人工智能系统，既能提升医师诊疗水平、优化医疗服务质量，也能让医师聚焦共情式、以患者为中心的沟通互动²³。人工智能融合路径虽仍存在优化空间，但现有证据表明，合理落地人工智能可巩固、改善医患关系。
诊疗责任与行善原则
人工智能输出诊断结果的最终使用责任，完全归属持证执业医师；现行法律法规、监管体系均不认可人工智能具备独立诊疗决策权²⁴，²⁵。医师必须依托专业判断，平衡人工智能诊断结论与成熟临床指南、循证诊疗标准，制定治疗方案。眼科诊疗遵循行善伦理原则，要求医师合理运用人工智能，提升诊断准确度、实现疾病早筛、及时开展符合患者利益的干预措施。规范应用人工智能工具可降低误诊率、统一诊疗标准、拓宽眼科服务覆盖；人工智能定位为医师诊疗补充手段，而非替代者，最终保障患者健康权益¹²，¹⁸，²⁶。
正方总结
支持人工智能融入眼科临床的核心逻辑，源于人类探索知识、技术创新、突破医疗局限、推动医学发展的内在追求。伴随技术迭代，视光临床常规工作中将越来越多地运用人工智能。Boston VA Optometry Service 主任 Doug Rett 博士谈及人工智能在视光科室普及现状时表示：“任何自认临床技术优于智能技术的从业者，很快就会认清现实。”人类天然渴望掌控诊疗，但同样保有好奇、探索、追求医学进步的本能。
Danielle Weiler, OD, FAAO, Dipl AAO
过度依赖削弱医师批判性思维
眼科人工智能应用快速扩张背景下，医师是否会因过度依赖系统，丧失独立批判性思维？批判性思维指整合、评估、推导临床信息以制定诊疗方案的核心能力，是处理复杂病例的基础²⁷。高频使用人工智能会引发认知外包：医师将脑力判断工作转移至外部系统。该模式虽短期释放脑力储备，但长期过度依赖会降低医师自主思考意愿，催生 “认知惰性”²⁷。与之相似的 “Google 效应” 同样适用于人工智能场景：人们习惯依靠外部工具获取信息，不再自主记忆、推演²⁸。知识储备充足、高学历医师受影响程度更低，但多项研究证实，长期依赖人工智能仍会弱化记忆力与独立解决临床问题的能力²⁷⁻²⁹。
医患关系潜在损耗
人工智能虽具备各类优势，但无法替代人类临床经验。优质视光诊疗依赖完整面对面眼部检查，绝大多数评估环节必须医师线下完成³⁰。Beede 团队研究发现：即便糖尿病视网膜病变人工智能系统在实验室验证阶段性能优异，落地真实门诊后仍会打乱诊疗流程、引发患者焦虑、造成医护人员工作困惑；实验室理想验证环境与真实临床场景存在巨大鸿沟¹³。人工智能算法无法复刻医师长年接诊积累的细腻临床判断与逻辑推演能力³⁰。临床人工智能模型必须适配现有影像设备，且整合医师总结的临床诊疗结论³¹。人工智能能否独立精准识别、区分各类病变尚无定论，人类医师专业经验始终不可替代。
人工智能无法复刻人类共情体验³²，³³。人文关怀与共情能力是以患者为中心的完整诊疗核心，属于人类独有能力，人工智能无法模拟。视光医师长年打磨医患沟通技巧，感知、接纳、回应患者情绪，与患者共同决策诊疗方案²³，³⁴。人工智能仅能提升诊断准确度，无法为获知重病的患者提供情绪疏导，而情绪安抚是疾病告知环节不可或缺的部分²³。此外，患者对自身眼病认知有限，全程需要专业医师引导讲解²³。
诊疗责任、不伤害原则与医疗公平
医疗人工智能参与临床决策时，清晰的责任划分是伦理底线³⁴。若人工智能辅助下出现误诊，责任可能归于接诊医师、算法研发企业，或双方共同承担³²，³⁴。现行监管制度尚未完善，无法全面覆盖人工智能医疗差错相关追责问题³¹。医师必须接受完整人工智能工具操作培训，并对系统输出结果解读承担全部责任³³。行业共识明确：人工智能仅作为临床决策辅助，绝不替代医师最终判断¹¹，³⁰，³⁴，全部诊疗决策责任由执业医师承担³³。
从伦理层面，不伤害原则要求医疗技术规避对患者造成损伤³⁴。人工智能虽可优化诊断与治疗效果，但若模型训练数据集样本单一、人种覆盖不足，反而会加剧医疗资源不平等¹¹，¹²，³³⁻³⁷。商用算法多为专利保护，数据共享受限，技术资源集中于大型机构，弱势人群、基层患者难以平等享受人工智能诊疗红利³³，³⁷。Burlina 团队一项里程碑研究专门探究训练数据集人种样本缺失引发的算法偏倚¹⁷：数据证实，算法判读准确率随肤色深浅显著下降，浅肤色人群眼底影像识别准确度 73%，深肤色人群仅 60.5%。研究推断，虹膜黑色素细胞黑色素浓度差异造成眼底成像色彩区别，最终引发诊断精度分层¹⁷。该研究基于原始无偏样本的 Kaggle EyePACS 数据集改造：通过增加医师人工标注、模拟样本失衡、跨场景泛化测试，证实糖尿病视网膜病变诊断数据集存在人种偏倚时，会大幅降低深肤色人群眼底影像的人工智能判读精度¹⁷。
最后，深度学习算法复杂结构带来的人工智能 “黑箱问题”，造成系统透明度、可解释性不足¹¹，¹²，³⁴，³⁷。只有研发可输出清晰、医师易懂推理过程的人工智能系统，才能确保技术服务于患者核心利益³⁴。
反方总结
现有临床证据表明，人工智能作为临床决策辅助工具，可从多维度优化视光诊疗工作。多项研究证实人工智能系统提升诊断准确度、诊疗效率，在特定场景拓宽眼科医疗服务覆盖范围。但安全、规范落地人工智能，离不开医师全程监督、训练数据集人种均衡性严格校验，以及持续的伦理评估与监管政策更新。现有文献统一观点：眼科人工智能是医师诊疗能力的补充，无法替代人类临床判断。
参考文献
1. What are the advantages and disadvantages of artificial intelligence. Ai. Accessed November 15, 2025. https://www.tableau.com/data-insights/ai/advantages-disadvantages
2. History of artificial intelligence. Queensland Brain Institute. Accessed December 21, 2025. https://qbi.uq.edu.au/brain/intelligent-machines/history-artificial-intelligence
3. Bajwa J, Munir U, Nori A, Williams B. Artificial intelligence in healthcare: transforming the practice of medicine. Future Healthc J. 2021;8(2):e188-e194. doi:10.7861/fhj.2021-0095
4. Howell MD, Corrado GS, DeSalvo KB. Three epochs of artificial intelligence in health care. JAMA. 2024;331(3):242-244. doi:10.1001/jama.2023.25057
5. Gulshan V, Peng L, Coram M, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA. 2016;316(22):2402-2410. doi:10.1001/jama.2016.17216
6. Soenksen LR, Ma Y, Zeng C, et al. Integrated multimodal artificial intelligence framework for healthcare applications. NPJ Digit Med. 2022;5(1):149. doi:10.1038/s41746-022-00689-4
7. Bhattad PB, Jain V. Artificial intelligence in modern medicine — the evolving necessity of the present and role in transforming the future of medical care. Cureus. 2020;12(5):e8041. doi:10.7759/cureus.8041
8. Savulescu J, Giubilini A, Vandersluis R, Mishra A. Ethics of artificial intelligence in medicine. Singapore Med J. 2024;65(3):150-158. doi:10.4103/singaporemedj.SMJ-2023-279
9. Schmidt-Erfurth U, Sadeghipour A, Gerendas BS, Waldstein SM, Bogunović H. Artificial intelligence in retina. Prog Retin Eye Res. 2018;67:1-29. doi:10.1016/j.preteyeres.2018.07.004
10. De Fauw J, Ledsam JR, Romera-Paredes B, et al. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med. 2018;24(9):1342-1350. doi:10.1038/s41591-018-0107-6
11. Aung YYM, Wong DCS, Ting DSW. The promise of artificial intelligence: a review of the opportunities and challenges of artificial intelligence in healthcare. Br Med Bull. 2021;139(1):4-15. doi:10.1093/bmb/ldab016
12. Ting DSW, Pasquale LR, Peng L, et al. Artificial intelligence and deep learning in ophthalmology. Br J Ophthalmol. 2019;103(2):167-175. doi:10.1136/bjophthalmol-2018-313173
13. Beede E, Baylor E, Hersch F, et al. A human-centered evaluation of a deep learning system deployed in clinics for the detection of diabetic retinopathy. In: Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems. ACM; 2020:1-12. doi:10.1145/3313831.3376718
14. Grzybowski A, Jin K, Zhou J, et al. Retina fundus photograph-based artificial intelligence algorithms in medicine: a systematic review. Ophthalmol Ther. 2024;13(8):2125-2149. doi:10.1007/s40123-024-00981-4
15. Ting DSW, Cheung CYL, Lim G, et al. Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with diabetes. JAMA. 2017;318(22):2211-2223. doi:10.1001/jama.2017.18152
16. Abràmoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med. 2018;1:39. doi:10.1038/s41746-018-0040-6
17. Burlina P, Joshi N, Paul W, Pacheco KD, Bressler NM. Addressing artificial intelligence bias in retinal diagnostics. Transl Vis Sci Technol. 2021;10(2):13. doi:10.1167/tvst.10.2.13
18. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. doi:10.1038/s41591-018-0300-7
19. Patel VL, Shortliffe EH, Stefanelli M, et al. The coming of age of artificial intelligence in medicine. Artif Intell Med. 2009;46(1):5-17. doi:10.1016/j.artmed.2008.07.017
20. Char DS, Shah NH, Magnus D. Implementing machine learning in health care—addressing ethical challenges. N Engl J Med. 2018;378(11):981-983. doi:10.1056/NEJMp1714229
21. Augmented intelligence in medicine. American Medical Association. October 2025. Accessed December 21, 2025. https://www.ama-assn.org/practice-management/digital-health/augmented-intelligence-medicine
22. Guleria S, Guptill J, Kumar I, McClintic M, Rojas JC. Artificial intelligence integration in healthcare: perspectives and trends in a survey of U.S. health system leaders. BMC Digit Health. 2024;2(1):80. doi:10.1186/s44247-024-00135-3
23. Čartolovni A, Malešević A, Poslon L. Critical analysis of the AI impact on the patient-physician relationship: a multi-stakeholder qualitative study. Digit Health. 2023;9:20552076231220833. doi:10.1177/20552076231220833
24. Price WN. Big data and black-box medical algorithms. Sci Transl Med. 2018;10(471):eaao5333. doi:10.1126/scitranslmed.aao5333
25. Gerke S, Minssen T, Cohen G. Ethical and legal challenges of artificial intelligence-driven healthcare. In: Artificial Intelligence in Healthcare. Elsevier; 2020:295-336. doi:10.1016/B978-0-12-818438-7.00012-5
26. Ethics and governance of artificial intelligence for health. World Health Organization. Accessed December 21, 2025. https://iris.who.int/server/api/core/bitstreams/f780d926-4ae3-42ce-a6d6-e898a5562621/content
27. Gerlich M. AI tools in society: impacts on cognitive offloading and the future of critical thinking. Societies. 2025;15(1):6. doi:10.3390/soc15010006
28. Gong C, Yang Y. Google effects on memory: a meta-analytical review of the media effects of intensive internet search behavior. Front Public Health. 2024;12:1332030. doi:10.3389/fpubh.2024.1332030
29. Sparrow B, Liu J, Wegner DM. Google effects on memory: cognitive consequences of having information at our fingertips. Science. 2011;333(6043):776-778. doi:10.1126/science.1207745
30. Betzler BK, Chen H, Cheng CY, et al. Large language models and their impact in ophthalmology. Lancet Digit Health. 2023;5(12):e917-e924. doi:10.1016/S2589-7500(23)00201-7
31. Tan TF, Thirunavukarasu AJ, Jin L, et al. Artificial intelligence and digital health in global eye health: opportunities and challenges. Lancet Glob Health. 2023;11(9):e1432-e1443. doi:10.1016/S2214-109X(23)00323-6
32. Ning Y, Teixayavong S, Shang Y, et al. Generative artificial intelligence and ethical considerations in health care: a scoping review and ethics checklist. Lancet Digit Health. 2024;6(11):e848-e856. doi:10.1016/S2589-7500(24)00143-2
33. Dankwa-Mullan I. Health equity and ethical considerations in using artificial intelligence in public health and medicine. Prev Chronic Dis. 2024;21:E64. doi:10.5888/pcd21.240245
34. Park MK, Ashwood N, Capes N. Ethics of artificial intelligence in medicine. Cureus. 2025;17(5):e83567. doi:10.7759/cureus.83567
35. Whicher D, Rapp T. The value of artificial intelligence for healthcare decision making-lessons learned. Value Health. 2022;25(3):328-330. doi:10.1016/j.jval.2021.12.009
36. Khossravi AS, Chen Q, Adelman RA. Artificial intelligence in ophthalmology. Curr Opin Ophthalmol. 2025;36(1):35-38. doi:10.1097/ICU.0000000000001111
37. Pham T. Ethical and legal considerations in healthcare AI: innovation and policy for safe and fair use. R Soc Open Sci. 2025;12(5):241873. doi:10.1098/rsos.241873
