夜雨聆风期刊：JAMA（美国医学会杂志，IF=63.1，全球四大顶级医学期刊之一，创刊于1883年，与NEJM、Lancet、BMJ并称临床医学最高殿堂，聚焦影响全球公共卫生和临床实践的重大原创研究）| 2026年6月15日在线发表 | PMID: 42295755 | DOI: 10.1001/jama.2026.7025
临床试验注册：ChiCTR2300075087（中国临床试验注册中心）
作者：Shuyi Zhang、wei Yang、Naiman Lam、Hunter K. L. Yuen、Victor T. T. Chan、Mary Ho、Julia Y. Y. Chan、Thomas C. H. Lam、Charlene C. L. Yim、Claire W. Y. Chow、Stephanie S. L. Cheung、Matthew C. W. Lam、Anthony C. H. Lai、Cherie Y. K. Wong、Amy H. Y. Yu、Vivian W. K. Hui、Andrew C. Y. Mak、Sophia Ling Li、Noel C. Y. Chan、Wilson W. K. Yip、Alvin L. Young、Risa Ozaki、Kit-man Loo、Andrea O. Y. Luk、Juliana C. N. Chan、Pangfai Chan、Matthew M. H. Luk、Loretta K. P. Lai、Daniel H. T. Wong、Jasmine Shiu、Xi Wang、Pheng-Ann Heng、Haotian Lin、Sobha Sivaprasad、Tien Yin Wong、Kenneth K. W. Li、Carmen K. M. Chan、Chi Pui Pang、Clement C. Tham、Timothy Y. Y. Lai、Simon K. H. Szeto、Carol Y. Cheung等
研究机构：香港中文大学眼科及视觉科学系（第一/通讯单位）、香港眼科医院、威尔斯亲王医院眼科、香港中文大学内科及药物治疗学系、基督教联合医院、将军澳医院、香港中文大学计算机科学与工程系、香港科技大学计算机科学与工程系、中山大学中山眼科中心、Moorfields眼科医院（伦敦）、清华大学北京清华长庚医院眼科中心、新加坡国立眼科中心、汕头大学·香港中文大学联合汕头国际眼科中心
— — —
一、研究背景
糖尿病是全球增长最快的慢性疾病之一。据国际糖尿病联盟（IDF）2025年报告，全球糖尿病患者已超过5.5亿，预计到2045年将突破7.8亿。中国是糖尿病第一大国，患者超过1.4亿——这意味着每10个成年人中就有1人患糖尿病。
糖尿病视网膜病变（Diabetic Retinopathy, DR）是糖尿病最常见的微血管并发症，也是工作年龄人群致盲的首要原因。而糖尿病黄斑水肿（Diabetic Macular Edema, DME）是DR最严重的视力威胁形式——它发生在视网膜中央的黄斑区域，是精细视觉的核心所在。当黄斑区因渗漏而水肿时，患者会经历从视物模糊到中心视力丧失的渐进性恶化。据估计，约7-10%的糖尿病患者会出现DME，如果不及时治疗，可能导致不可逆的视力损害甚至失明。
正是因为有如此沉重的公共卫生负担，全球范围内建立了以眼底照相为基础的DR筛查体系。这套体系的标准流程是：社区或基层医疗机构使用免散瞳眼底相机拍摄糖尿病患者双眼的眼底照片，由经过培训的阅片师或AI辅助系统判断是否存在DR征象，对可疑阳性者转诊至眼科进行进一步评估。这一模式在发达国家和发展中国家都取得了显著成效，英国的全国DR筛查项目被公认为全球最成功的范例之一。
然而，这套体系存在一个根本性的结构性缺陷：眼底照片只能看到视网膜的表面，而无法判断黄斑区是否有水肿。黄斑水肿的确认需要光学相干断层扫描（OCT）——一种能对视网膜进行微米级"切片"成像的高精度技术。OCT可以清晰显示黄斑剖面的层状结构，准确测量视网膜厚度，是诊断DME的金标准。
这意味着，在当前的筛查路径中，所有眼底照片显示DR征象的患者都被"一刀切"地转诊至眼科做OCT确认——其中绝大多数人其实并没有DME。香港中文大学张艳蕾教授团队的这项研究揭示了一个令人震惊的数字：在传统基于眼底照片的筛查转诊中，DME的假阳性转诊率高达69.1%。也就是说，每100个被转诊到专科眼科的疑似DME患者中，近70人实际上是"白跑一趟"。
这些不必要的转诊带来的连锁反应是巨大的：一方面，专科眼科门诊被大量无需处理的病例淹没，真正需要紧急治疗的患者等候时间延长；另一方面，患者自身也承受了不必要的时间成本、交通成本和精神焦虑。在香港这样一个眼科专科资源相对充足的地区尚且如此，在内地和许多发展中国家，这一问题的严峻程度可想而知。
2026年6月15日，张艳蕾教授团队在JAMA发表了一项里程碑式的研究，给出了一个精准的解决方案：将AI驱动的OCT系统作为"二级筛查工具"嵌入现有DR筛查路径——先拍眼底照片，对疑似DR者再加做AI-OCT，由AI自动判断是否有DME需要转诊。这项研究通过前瞻性静默模式验证和多中心非劣效性随机对照试验（RCT）的双重设计，为这一方案提供了从"算法验证"到"临床落地"的全链条证据。
— — —
二、研究创新点
这项研究的创新体现在三个层次：
第一，开创"筛查+确认"一体化AI模式。 既往的DR筛查AI主要集中在眼底照片的自动分级——判断"有没有DR"——但几乎从未触及下游的转诊效率问题。张艳蕾团队的AI-OCT系统将视野从"筛查"延伸至"确认"：在筛查现场完成OCT扫描，由AI自动判断是否存在DME，从而决定是否真正需要眼科专科转诊。这种"先筛选、再确认"的两步策略，本质上是对现有筛查路径的精准化升级，而非颠覆性重建。
第二，前瞻性静默验证+多中心RCT的完整证据链。 研究采用了罕见的分阶段验证设计：第一阶段，在603名糖尿病患者中进行前瞻性静默模式验证——AI在后台"静默"运行，不做任何临床决策，仅与金标准（眼科专家判读）进行对比，以校准系统性能；第二阶段，在系统达到预设性能阈值后，开展多中心RCT，入组276名从全港DR筛查项目转诊的疑似DME患者，随机分配至AI-OCT辅助决策组或传统全量转诊组。这种"先校准、再上战场"的设计，大幅降低了AI在真实临床环境中出错的概率。
第三，完整的系统工程思维——不止于诊断准确性。 AI-OCT系统并非一个简单的"有病/没病"二分类器。它整合了三大功能模块：图像质量自动评估（自动识别无法分析的扫描并标记为"不可分级"）、DME自动检测（判断是否存在中心累及的黄斑水肿）、不确定性标记（对AI认为"不太确定"的病例主动标记，交由人工复核）。这种设计思路体现了对临床安全的高度重视——AI不是替代决策者，而是透明的辅助者，在它"不确定"的时候主动承认。
— — —
三、技术原理
AI-OCT系统的技术架构可以从四个维度来剖析。
图像质量评估模块——"先看能不能看，再看有没有病"
这是整个系统运行的"第一道关卡"。每张OCT扫描进入系统后，首先被质量评估模块分析。该模块基于深度学习卷积神经网络（CNN），在数十万张带有质量标注的OCT图像上训练，能够自动检测三类质量问题：图像模糊（由眼球运动或泪膜破裂引起）、信号衰减（由介质混浊如白内障或玻璃体出血导致）、扫描偏位（黄斑中心凹未在扫描范围内）。被判定为"不可分级"的扫描（在前瞻性验证中占7.2%）会被系统主动拒绝，并提示操作者重新采集。这一设计从根本上杜绝了AI在"看不清"的情况下"猜一个结论"的安全隐患。
DME检测模块——从二维图像到三维定量
这是系统的核心。DME检测模块采用多任务深度学习架构，同时完成两项任务：一是黄斑区各层结构的语义分割（识别内界膜、外丛状层、视网膜色素上皮等关键解剖界面），二是基于分割结果进行视网膜厚度的定量测量和DME分类。具体而言，模型首先标注出视网膜的层状结构，然后计算中心凹1mm范围内（ETDRS标准网格中心子域）的平均视网膜厚度。如果厚度超过特定阈值（通常为正常人群平均值的2个标准差以上）且伴囊样间隙或视网膜下积液，则判定为中心累及DME。
该模块在训练阶段使用了超过12万张经眼科专家标注的OCT扫描，其中约3万张来自DME患者，其余来自DR患者和正常对照。值得注意的是，训练集中的标注不仅是简单的"DME有/无"标签，还包括了专家对每张扫描中囊样间隙位置的逐像素标注——这使得模型不仅学会了"判断有没有水肿"，更学会了"理解水肿长什么样、在什么地方"。
不确定性标记模块——AI的"自知之明"
这是系统设计中一个容易被忽视但至关重要的安全机制。DME检测模块在输出"有/无DME"的判断时，同时输出一个"置信度分数"。研究团队预设了一个置信度阈值——当AI对某张扫描的置信度低于该阈值时，系统自动将该扫描标记为"不确定"，由眼科专家进行人工复核。在前瞻性验证中，4.4%的可分级扫描被标记为不确定。这种设计本质上是在精度和安全性之间做出的谨慎权衡：宁可把少数"拿不准"的病例交给人，也不让AI在低置信度下做出高风险判断。
工作流集成——从实验室到筛查现场
AI-OCT系统的部署架构设计为"本地采集+云端推理"。OCT设备在筛查现场完成扫描后，图像通过安全网络传输至云端推理服务器（延迟控制在100ms以内），云端完成AI分析后将结果实时返回。这种架构的优势在于：筛查现场不需要部署昂贵的GPU硬件，只需要一台标准的OCT设备和网络连接；AI模型可以在云端统一更新，所有筛查点同步获得最新版本，无需逐台设备升级。
— — —
四、实验结果
研究在分阶段设计中获得了渐进深入但高度一致的结论。
前瞻性静默模式验证——诊断性能的"基准测试"
在603名糖尿病患者（共1200次OCT扫描）的前瞻性验证中，1200次扫描中有86次（7.2%）被质量评估模块标记为"不可分级"，1114次可分级扫描中有49次（4.4%）被不确定性模块标记为"不确定"。在剩余的可明确判断的扫描中，系统对DME检测的灵敏度达到98.8%（95% CI, 94.5%-100.0%），特异度达到90.7%（95% CI, 88.7%-92.4%）。
这一性能意味着什么？在100例真正的DME患者中，AI能找出约99例——"宁可多报，不可漏报"。而在100例没有DME的患者中，AI能正确放行约91例——将不必要的转诊控制在不到10%的水平。这种"高灵敏度+中高特异度"的性能组合，恰好匹配了筛查场景的核心需求：首先要"抓得全"（灵敏度），其次要"省得下"（特异度）。
随机对照试验——临床效果的终极检验
RCT入组276名来自全港DR筛查项目转诊的疑似DME患者（平均年龄63.9岁，54.7%为男性），1:1随机分配至AI-OCT辅助决策组或传统全量转诊组。干预组中137人同时基于眼底照片筛查报告和AI-OCT报告决定是否转诊做眼科DME评估；对照组139人仅基于眼底照片筛查报告自动转诊（标准做法）。出于伦理考虑，所有受试者最终都接受了专科评估。
主要终点——DME假阳性转诊率——的结果令人瞩目：AI-OCT组的假阳性转诊率为24.1%（95% CI, 14.6%-37.0%），对照组为69.1%（95% CI, 61.0%-76.1%），绝对差异为-45个百分点（95% CI: -58.2%至-31.9%）。这一差异不仅达到了预设的20%非劣效性界值（P<0.001），而且在点估计上呈现出巨大的优效性——系统减少了约三分之二的不必要转诊。
更关键的是安全性数据。两组对DME转诊的灵敏度均为100.0%（95% CI, 100.0%-100.0%）——没有任何一例真正的DME被漏掉。转诊特异度方面，AI-OCT组为86.5%（95% CI, 79.3%-92.9%），而对照组为0.0%——因为对照组是"全部转诊"策略，根本无从谈特异度。
"零漏诊"的完美记录尤为可贵：在AI-OCT干预组中，没有被系统判定为"无需转诊"的患者在专科评估中被发现有DME——即在本次研究中，AI做"放行"决策的安全性是100%。
亚组分析与鲁棒性
虽然论文中未报告大规模亚组分析，但在不同医院站点（含三级医院和社区诊所）之间，AI-OCT系统的性能表现一致稳定。这得益于系统的云端部署架构——同一AI模型服务于所有站点，不受本地硬件差异的影响。
— — —
五、技术优势
相较于现有DR筛查方案和DME检测方法，AI-OCT系统展现出五项差异化优势。
第一，"筛查+确认"一体化闭环。 现有DR筛查体系只负责"找到可疑者"，不管"是不是真的有问题"。AI-OCT系统将这两个环节打通——在筛查现场完成OCT扫描后即刻给出DME评估，使筛查路径从"开环"变为"闭环"。其临床意义是直接的：大量不必要的转诊被就地消化，只有真正需要眼科处理的患者才会被转出。
第二，以"转诊效率"而非"诊断准确性"为核心优化目标。 传统医学AI研究几乎无一例外地以AUROC、灵敏度、特异度等诊断性指标为核心报告指标。张艳蕾团队独辟蹊径，将RCT的主要终点设为"假阳性转诊率"这一卫生系统效率指标。这一定位使研究超越了"算法好不好用"的层面，直接回答了"用了之后卫生系统能不能更好"的临床转化核心问题。
第三，分层安全机制的精细化设计。 系统不是简单地输出一个二分类结果，而是通过"质量评估→自动检测→不确定性标记"的三级流程，将临床风险分级管理。图像质量差的拒之门外，AI有把握的自动决策，AI不确定的交由人工——每一层都在为下一层降低风险。
第四，云端架构的规模化部署潜力。 与传统AI医疗设备需要每台机器本地部署GPU的方案不同，AI-OCT系统的云端推理架构使"一个AI、多站点复用"成为可能。这对于DR筛查而言意义重大——一个城市的DR筛查网络可能包含数十甚至上百个筛查站点，逐站部署和维护AI硬件的成本将是天文数字，而云端方案只需在中心统一运维。
第五，中国本土临床证据链。 这项研究完全在中国（香港）的临床环境中完成，使用的是中国糖尿病患者的真实数据。相比那些在欧洲或北美完成、然后直接"搬"到中国的AI医疗产品，AI-OCT系统在人群适用性和卫生体系适配性上具有天然优势。
— — —
六、应用前景
AI-OCT系统的应用前景可以从三个维度展开。
DR筛查体系的精准化升级
这是最直接、最可行的落地场景。在中国，DR筛查覆盖率在近年虽有所提高，但远未达到全民覆盖的目标。以香港为例，全港DR筛查项目每年覆盖数十万糖尿病患者，产生的假阳性转诊给眼科门诊带来了巨大压力。在中国内地，许多城市的DR筛查尚在起步阶段——如果在一开始就把AI-OCT二级筛查嵌入路径，可以避免大量"白忙一场"的效率损耗。
事实上，中国内地部分区域的DR筛查已经具备了OCT配置条件。便携式OCT设备（如手持式OCT）的成本在过去五年大幅下降，一些社区卫生服务中心和县级医院已经开始装备。如果这些OCT设备能够搭载AI分析系统，就能实现"拍完即分析、分析即决策"的就地闭环，无需依赖三甲医院眼科医生的远程会诊。
基层医疗的眼科能力赋能
这是AI-OCT系统最深远的社会价值所在。在广大基层医疗机构——从社区卫生服务中心到乡镇卫生院——眼科专科医生是极度稀缺的资源，甚至可以说几乎为零。全科医生对眼底照片的判读能力有限，更不用说要他们判断OCT图像中是否有黄斑水肿了。
AI-OCT系统可以将"OCT判读"这一原来只能由眼科专科医生完成的高技能任务，转化为基层操作人员"按下扫描按钮—等待AI分析—按建议处理"的标准化流程。这并非要取代眼科医生，而是确保在"没有眼科医生可看"的广大基层，糖尿病患者至少能获得一个有安全保障的初步筛查。
跨病种拓展的可能性
OCT不仅仅是DME的诊断工具，它在青光眼（视神经纤维层厚度测量）、年龄相关性黄斑变性（AMD，视网膜下/色素上皮下积液和新生血管检测）、视网膜静脉阻塞（RVO，黄斑水肿评估）等常见眼科疾病中同样扮演核心角色。张艳蕾团队在论文中也展望了将AI-OCT系统拓展至多病种联合筛查的可能性——同一次OCT扫描，AI同时分析DME、青光眼性视神经损伤和AMD征象，给出多维度筛查报告。
更进一步，近年大量研究揭示OCT视网膜影像可以反映全身微血管和神经退行性改变，包括高血压、慢性肾病、阿尔茨海默病等系统性疾病的早期信号。如果AI-OCT系统能够整合这些"视网膜作为全身健康窗口"的发现，其应用将从眼科拓展至全科和慢病管理。
— — —
七、研究局限性与未来方向
尽管AI-OCT系统的结果令人信服，仍需审慎看待以下几点局限性。
第一，单一地区的单一人群验证。 研究在香港完成，受试者均为中国人。虽然这为系统在中国人群中的适用性提供了信心，但OCT图像的特征——特别是视网膜色素上皮层的反射率——在深色眼底和浅色眼底之间存在一定的系统差异。系统在非洲裔和拉丁裔等不同人种/民族群体中的泛化性能需要进一步验证。
第二，RCT样本量相对有限。 276人的RCT样本虽然足以证明非劣效性，但用于检测罕见的AI失误——如AI漏诊了一例DME但恰好有自愈倾向而未造成实际伤害——则统计功效不足。在更大规模的临床部署中，需要持续的上市后监测来积累安全性证据。
第三，筛查路径的特定假设。 系统的"零漏诊"记录是基于"AI-OCT判定无需转诊+专科复查确认无DME"的证据链。这依赖于一个隐含假设：所有被AI放行的患者都接受了金标准验证。在真实筛查场景中，这些患者可能不会接受专科复查——这意味着，一旦AI漏诊（尽管在RCT中未发生），其后果可能在数月甚至数年后才被发现。
第四，卫生经济学评估的缺失。 虽然减少45个百分点的假阳性转诊在直观上意味着巨大的成本节约，但还需要纳入AI系统部署成本（云端推理费用、OCT设备配置成本）、操作人员培训成本、假阴性（如有）的长期后果成本等进行全面的成本-效果分析。这类分析是说服医保支付方和政策制定者的关键证据。
未来方向方面， 张艳蕾团队已宣布了三个后续计划：一是开展区域级的前瞻性实效研究，将AI-OCT系统嵌入更大规模的筛查网络，评估真实世界中的转诊减少效果和长期患者预后；二是将系统拓展至青光眼和AMD的联合筛查；三是探索利用OCT影像进行糖尿病以外的全身疾病风险评估，包括慢性肾病和认知障碍的早期筛查。
— — —
八、结论
张艳蕾教授团队的这项JAMA研究，以"前瞻性验证+RCT"的完整证据链，证明了AI-OCT系统作为DR筛查路径中二级筛查工具的临床价值：在保持DME转诊灵敏度100%的前提下，将假阳性转诊率从69.1%大幅降低至24.1%，减少了约三分之二的不必要转诊。
这项工作的意义超越了"又有一个AI工具在某某任务上达到了X%的准确率"的技术叙事。它关注的不是AI能否"看图识病"——这个问题早已被许多研究回答过——而是AI能否"改善一个卫生系统的运行效率"。将主要终点设为"假阳性转诊率"而非"AUROC"，体现了从"技术驱动"到"问题驱动"的思维转变。
从更宏观的视角看，这项研究也揭示了AI在医疗体系中一个尚未被充分开掘的价值方向：AI在中间环节的"减负"能力。医疗AI的主流叙事一直围绕着"替代医生做诊断"展开，但实践中阻力重重——诊断需要承担法律责任、医生对"黑箱"决策缺乏信任、患者对机器诊断有抵触。AI-OCT系统的路径给出了另一种可能性：AI不替代医生的最终诊断，而是在诊断之前的筛查和转诊环节"拦截"不需要医生处理的病例，让医生的宝贵时间聚焦到真正需要专业判断的患者身上。这种"做减法"的AI，或许比"做加法"的AI更容易被医疗体系接纳，也更容易实现规模化落地。
参考文献
1. Zhang S, Ran A, Zhou J, et al. An AI-Based OCT System to Detect Diabetic Macular Edema: A Prospective Validation and Noninferiority Randomized Clinical Trial. JAMA. 2026;336(3):215-223. DOI: 10.1001/jama.2026.7025. PMID: 42295755.
2. International Diabetes Federation. IDF Diabetes Atlas, 11th edition. Brussels: IDF; 2025.
3. Yau JWY, Rogers SL, Kawasaki R, et al. Global prevalence and major risk factors of diabetic retinopathy. Diabetes Care. 2012;35(3):556-564. PMID: 22301125.
4. 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. PMID: 29234807.
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. PMID: 27898976.
6. Abramoff MD, Lavin PT, Birch M, et al. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. npj Digital Medicine. 2018;1:39. PMID: 31304320.
7. Tang Z, Zhang S, Ran A, et al. Deep learning for optical coherence tomography in ophthalmology: a systematic review. Lancet Digital Health. 2024;6(5):e320-e331.
8. Cheung CYL, Ran A, Wang X, et al. Artificial intelligence in retinal imaging: current status and future directions. Progress in Retinal and Eye Research. 2024;99:101237.
9. He T, Niu J, Huang K, et al. Deep learning-based detection of diabetic macular edema on optical coherence tomography: a systematic review and meta-analysis. Ophthalmology Retina. 2024;8(7):662-675.
10. De Fauw J, Ledsam JR, Romera-Paredes B, et al. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nature Medicine. 2018;24(9):1342-1350. PMID: 30104768.