基于人工智能云平台的OCT视网膜病变筛查系统AI-PORAS：中国29省207家医疗机构的真实世界研究

本研究针对中国城乡医疗资源分布不均导致的视网膜病变筛查难题，开发了基于光学相干断层扫描(OCT)的人工智能云平台AI-PORAS。该系统通过深度学习算法可同时检测15种视网膜异常，在165,384眼3,551,959张OCT图像的验证中达到93.16%的平均准确率，性能相当于主治眼科医师水平。该平台已在中国29省207家医疗机构部署，完成116,717例远程诊断，为医疗资源匮乏地区提供了高效的筛查解决方案。

　　

视网膜疾病是全球范围内导致不可逆视力丧失的主要原因，在中国城乡医疗资源分布不均的背景下尤为突出。据统计，中国每5万人口仅拥有1.6名眼科医师，偏远地区甚至不足0.6名。传统基于眼底照相的人工智能诊断系统通常仅能识别不超过10种视网膜疾病，而光学相干断层扫描(OCT)虽能提供更精细的视网膜结构三维信息，但现有AI系统最多只能检测5种OCT影像特征。这种技术局限性与基层医疗需求之间存在巨大鸿沟，亟需开发能同时识别多种视网膜病变的高效筛查工具。

为解决这一挑战，Chen Xinjian团队开发了人工智能视网膜病变筛查云平台AI-PORAS。该系统基于多中心大规模OCT数据集，采用改进的域适应 Faster R-CNN框架(BV-DA-CNN)，通过图像级和实例级特征对齐技术，有效解决了不同品牌OCT扫描仪间的域偏移问题。研究团队首先使用Optovue和Heidelberg扫描仪采集的25,978张OCT B扫描图像(14种视网膜异常)训练基础模型，再通过商业扫描仪BV1000获取的243,361张图像(15种异常)进行域适应优化，最终在真实世界4,413,273张OCT图像上验证系统性能。

关键技术方法包括：(1)构建包含4243眼30,716张OCT图像的源域数据集和2948眼243,361张图像的目标域数据集；(2)开发BV-DA-CNN模型，在Faster R-CNN基础上增加多标签分类器和域适应模块；(3)采用9名眼科专家三级标注体系(主任医师、主治医师和住院医师)确保数据质量；(4)在中国29省207家医疗机构部署云平台，收集116,717例患者数据验证临床实用性。

源域测试数据集上的定位性能

OCT-AI模型在14种视网膜异常定位中平均交并比(IoU)达0.44，优于主治医师组(0.42)和住院医师组(0.42)。如图1所示，系统能准确定位玻璃体后脱离(PVD)、视网膜色素上皮脱离(PED)等多种病变区域。

源域测试数据集上的分类性能

系统平均准确率达93.12%，超过主治医师组(89.36%)。如图3所示，在精确率(82.32% vs 76.21%)、F1分数(0.78 vs 0.58)等指标上均表现优异，但对训练样本较少的疾病如视网膜脱离(RD)仍有提升空间。

域适应数据集上的性能

如图5a所示，BV-DA-CNN在目标域测试中达到94.06%的AUC值，较基线FR-CNN提升23.38%。统计检验显示其性能提升具有显著性(p<0.0001)，证实域适应策略的有效性。

外部数据集验证

在真实世界165,384眼数据中，系统保持93.16%的准确率和93.64%的AUC值，假阳性率6.82%，假阴性率7.87%。值得注意的是，极大规模数据扩展(BV-FR-CNN)比域适应表现出更显著的性能提升，为未来模型优化指明方向。

该研究首次实现了15种视网膜异常的同步AI检测与统计分析，创建了目前部署范围最广的OCT人工智能筛查系统。平台架构如图6所示，整合云端AI诊断、专家复核和大数据分析三大模块，为医疗资源匮乏地区提供了可行的解决方案。

研究团队也坦诚指出当前局限：统计维度尚待丰富、罕见病变检测能力有限、图像质量影响诊断准确性等。未来计划通过视网膜分层算法、注意力机制优化和医学基础模型融合等策略进一步提升系统性能。这项发表于《npj Digital Medicine》的研究，不仅为眼科人工智能临床应用树立了新标杆，其"云平台+终端设备"的部署模式更为解决全球医疗资源不均问题提供了重要参考。