人工智能在葡萄膜炎诊断中的应用指南（2025）要点解读

来源：中国医药教育协会智能医学专委会、国际转化医学会眼科学专委会，发表《眼科新进展》2025 年 3 月。 核心立场：AI 属于决策辅助支持工具，不能替代眼科 / 葡萄膜炎专科医师；不允许 AI 独立输出最终确诊、不独立制定治疗方案；必须结合病史、全身检查、实验室结果综合判断。

一、定位与适用边界

核心定位

AI 仅做影像辅助判读、炎症量化、分流初筛；葡萄膜炎病因超过 80 余种，大量病种罕见，AI 尚不能完全替代临床综合推理。

适用场景

1. 基层 / 缺少葡萄膜炎专科医师机构的初筛分流；
2. 多模态影像自动质量质控、病灶分割、炎症半定量评分；
3. 辅助区分活动期 / 静止期；辅助提示感染性 / 非感染性影像特征；
4. 随访对比：前后多组影像对比，辅助监测病灶变化、治疗应答；
5. 教学培训，辅助年轻医师学习读片。

❌禁止行为

1. AI 直接独立给出最终确诊结论；
2. AI 直接输出激素、免疫抑制剂、生物制剂、眼内注射等治疗方案；
3. 仅依靠 AI 图像结果，完全忽略病史、全身及实验室检查。

二、可用于 AI 分析的多模态影像输入

指南明确推荐多模态联合，不建议单一模态下直接下判断：

1. 眼前节：裂隙灯照相、前节 OCT（KP、房水闪辉、细胞半定量）；
2. 后段：超广角眼底彩照、后极 / 周边眼底照相；
3. 功能‑血管：FFA、ICGA 吲哚菁绿血管造影、OCT‑A；
4. 脉络膜评估：脉络膜 OCT、en‑face OCT，评估脉络膜增厚、肉芽肿、浆液性脱离。

重点：单一眼底彩照不足以完成完整 AI 评估；肉芽肿、脉络膜深层病变仅靠普通照片极易漏检。

三、AI 模型可完成的临床任务（指南分级推荐）

1. 图像质量质控（Grade‑1 强推荐）

AI 自动识别：对焦模糊、屈光介质混浊（角膜、白内障、玻璃体混浊）、反光眩光、局部视野缺失、眼睑睫毛遮挡；不合格图像直接标记，提示重新采集，不进入诊断流程。

2. 病灶识别与分割

• 识别：视盘水肿、出血、视网膜渗出、黄白色肉芽肿病灶、血管炎、血管白鞘、视网膜脱离、黄斑水肿、RPE 损伤。
• 输出：病灶位置、大致范围、相对大小；生成热力图 / 热图标注病灶区域（可解释 AI，必须提供可视化依据，拒绝 “黑箱输出”）。

3. 活动性评估

辅助区分活动期 vs 静止期；对玻璃体混浊 / 玻璃体炎做半定量分级；提示是否存在活动性脉络膜‑视网膜病灶。

4. 病因辅助提示（Grade‑2 弱推荐）

AI 输出top‑2‑top3 的候选病因列表，给出置信度，仅作为参考，不能作为确诊依据。

例如：提示 “高度怀疑弓形虫视网膜脉络膜炎、其次提示急性视网膜坏死”，最终必须由医生复核。

注意：感染性葡萄膜炎（CMV、弓形虫、梅毒、结核相关葡萄膜炎），AI 只能提示影像特征，不能代替眼内液 PCR、血清学、全身化验检查。

四、标准临床工作流（指南推荐）

1. 完整采集多模态影像；AI 第一步做图像质量审核；不合格→重拍。
2. 合格图像进入 AI 模型，输出：病灶标注、活动度评分、候选病因列表、置信度。
3. 医师必须完整采集：病史、眼痛、视力下降、全身病史（关节、皮肤、神经系统、传染病史）、血清学、眼内液检测结果。
4. 临床医生综合：影像 AI 结果 + 病史 + 全身‑实验室结果，给出最终诊断、分期。
5. 制定治疗、随访方案；AI 报告纳入病历归档。

流程口诀：图像质控 → AI 影像分析 → 结合临床病史与实验室 → 医师最终确诊。

五、数据集、模型开发与部署要求

1. 数据集要求
   • 多中心来源，包含：正常对照、各类感染性、非感染性（白塞、VKH、结节病、特发性葡萄膜炎）；纳入大量真实低质量临床图像；
   • 训练集、验证集、独立外部测试集严格分开；外部测试集必须为从未参与训练的真实临床病例。
2. 标注标准
   • 双人以上葡萄膜炎专科医师独立标注；分歧病例由高级葡萄膜炎专家仲裁；标注内容包含图像质量、病灶位置、活动度、临床诊断。
3. 可解释性：必须提供热力图 / 病灶热图可视化；输出每条结果附带置信度，禁止黑盒模型。
4. 部署前：医疗机构上线前，本院做小样本本地验证，确认在本地区人群性能达标，再大规模投入使用；不能直接照搬文献研究直接上临床。
5. 隐私安全：患者影像严格脱敏去标识化，符合医疗数据安全法规。

六、报告必须报告的性能指标（论文 / 产品申报）

必须完整披露：

• 敏感性、特异性、阳性预测值 PPV、阴性预测值 NPV；
• 活动 / 静止期识别性能；感染性 / 非感染性区分指标；
• 图像不合格重拍比例；数据集来源、中心数量；
• 说明设备型号、影像模态；区分内部验证、外部独立测试集结果。

优先保证高灵敏度，减少漏诊严重感染性葡萄膜炎；不单纯追求特异性。

七、主要局限性（指南重点警示）

1. 罕见病种短板：罕见葡萄膜炎病例样本少，AI 对少见亚型识别能力有限。
2. 设备迁移问题：A 设备训练模型，换到另一品牌相机、超广角设备，性能可明显下降，需要重新验证。
3. AI 只看图像：无法读取病史、无法解读抽血化验结果；很多病例图像相似，必须依靠全身资料鉴别。
4. 对细微玻璃体炎症、轻度脉络膜浸润，AI 仍存在漏判、误判。
5. 不能替代眼内液（房水 / 玻璃体）PCR 等分子检测。

八、随访与质量管控

1. 随访评估：AI 可用于同一患者多次随访对比，对比病灶吸收、复发；但每次随访依然要医生复核。
2. 建立不良事件登记：AI 漏判、误判病例登记复盘，持续迭代优化模型。
3. 人员培训：操作人员需要标准化影像采集培训，图像质量直接决定 AI 输出可靠性。

九、指南核心速记要点

1. 定位：AI 仅影像辅助，不能独立确诊，不能单独制定治疗方案，医生拥有最终决策权。
2. 工作流：图像质量初筛→AI 多模态影像分析→结合病史 + 全身实验室检查→医师最终诊断。
3. 优先使用多模态影像：彩照、OCT、FFA/ICGA 联合，不依赖单一照片。
4. 模型必须具备可解释性：病灶热力图 + 置信度；外部独立数据集验证；上线前院内本地验证。
5. 不能忽略感染性病因排查，AI 不能替代血清学、眼内液检测。
6. 即使 AI 输出高置信度结果，仍要完整遵循葡萄膜炎 SUN 标准化命名体系进行临床诊断