《Eye and Brain》:Artificial Intelligence in Neuro-Ophthalmology for Optic Disc Pathologies and Neurodegenerative Disease
编辑推荐:
人工智能(AI)正通过从影像、生物标志物及患者层面临床数据中提取具有临床意义的信息,迅速重塑神经眼科诊疗模式。研究人员回顾了近期在利用视网膜生物标志物检测神经退行性疾病、自动识别视盘水肿及其伪装体征、青光眼筛查与量化分析,以及遗传性视神经病变分类等方面的进展。
人工智能(AI)正通过从影像、生物标志物及患者层面临床数据中提取具有临床意义的信息,迅速重塑神经眼科诊疗模式。研究人员回顾了近期在利用视网膜生物标志物检测神经退行性疾病、自动识别视盘水肿及其伪装体征、青光眼筛查与量化分析,以及遗传性视神经病变分类等方面的进展。利用眼底照相和光学相干断层扫描(OCT),包括深度学习及其他监督学习模型在内的当代机器学习(ML)系统,在视盘水肿与假性视盘水肿的鉴别、非动脉炎性前部缺血性视神经病变(NAION)与类似表现实体的区分,以及青光眼性损伤(包括对视网膜神经纤维层(RNFL)厚度的间接估算)方面均显示出较强的判别能力。早期研究亦表明,视网膜特征有助于轻度认知障碍(MCI)和重度神经认知疾病的检测。然而,尽管结果令人鼓舞,大多数研究仍局限于回顾性及单中心设计,且主要关注单纯影像分析,限制了结果的普遍适用性和临床可解释性。因此,数据集异质性、过拟合、外部验证有限,以及高诊断准确率与实际临床应用之间的鸿沟等相关挑战仍未解决。未来有必要开展前瞻性、多中心评估,重点关注通过可解释人工智能(XAI)系统集成多模态临床数据,以提高诊断一致性,缩短诊疗时间,并扩大对服务不足人群的可及性。
引言
神经眼科疾病,如视盘水肿、非动脉炎性前部缺血性视神经病变(NAION)和遗传性视神经病变,若延误诊断,将带来不可逆视力损害的重大风险。虽然青光眼并非神经眼科疾病,但作为一种常见的视神经病变,其影响全球数百万人。这些疾病的诊断往往依赖于细微的影像学表现和复杂的临床背景,然而由于神经眼科面临持续的人力短缺和漫长的预约等待名单,专科护理的可及性受到限制。专家诊断在该领域至关重要,而在神经眼科会诊前,误诊率可能相当高,导致患者接受不必要的检查和治疗,这凸显了对提高诊断一致性及加速适当转诊工具的需求。与此同时,眼科学已证明自主或辅助型人工智能(AI)系统可在前线环境中发挥作用,例如美国食品药品监督管理局(FDA)批准的糖尿病视网膜病变诊断模型已在初级保健诊所日益普及。虽然AI在医学领域的整合有望提高诊断准确性,但必须谨慎解读其结果,并明确AI应作为专家临床判断的补充而非替代。本文描述了多种AI模式,如机器学习(ML)、深度学习(DL)、支持向量机(SVM)和极限学习机(ELM)。ML是AI的一个子集,由从数据中学习模式以执行预测任务的算法组成。DL是ML的一个子集,专长于分析非结构化数据(如原始文本或图像),能够自动将数据区分为有意义的类别,因此特别适用于分析包含人类观察者难以察觉的细微模式或区别的大量数据。SVM模型是一种监督式机器学习算法,通过识别最能区分预定义组的模式来对数据进行分类,在医学影像中,当相关图像特征可被提取和标记时,SVM常被用于区分疾病与正常状态。ELM与SVM类似,但设计用于快速训练,通常应用于计算效率优先的探索性临床研究或较小数据集。AI在神经眼科的应用有助于发现多种疾病中微妙的结构性和微血管特征,同时通过促进专科和初级保健环境中更早、更一致的疾病检测,扩大医疗可及性。本手稿回顾了关于AI检测与鉴别神经眼科疾病的新兴证据,分析了AI的临床前景,并概述了加速安全、公平应用的实用后续步骤。
方法
研究人员利用学术文献数据库PubMed确定相关文献以撰写综述。检索时间为2025年7月31日至2025年9月29日,使用的关键词和短语包括:“artificial intelligence in neuro-ophthalmology”、“machine learning”、“deep learning”、“optic disc”、“neurodegenerative disease”、“papilledema”和“glaucoma”。在确定的主要数据和综述文章中,研究人员筛选出32篇纳入本综述。纳入标准为2014年后发表,且与AI在神经眼科领域的最新应用讨论相关,并分析AI在眼部和神经系统疾病中的效用及诊断准确性。这一筛选过程产生了与多种AI模式相关的文章,包括机器学习(ML)、深度学习(DL)、支持向量机(SVM)和极限学习机(ELM),以及成像模式包括光学相干断层扫描(OCT)、OCT血管造影(OCTA)和彩色眼底照相(CFP)。
神经退行性疾病检测
ML和DL方法已被应用于视网膜成像相关的神经退行性疾病生物标志物研究,包括阿尔茨海默病(AD)、痴呆和轻度认知障碍(MCI)。视网膜微血管改变已在AD患者尸检中发现,也存在于AD和MCI患者中。DL已被应用于利用OCT、OCTA和CFP等模式识别痴呆的视网膜生物标志物。Hao等人描述的Eye-AD是一种利用OCTA图像检测早发性AD和MCI的DL模型。这项多中心研究利用了1,671名患者(5,751张OCTA图像),结果显示Eye-AD在识别早发性AD和MCI患者方面表现出临床决策模式。对于早发性AD检测,Eye-AD的受试者工作特征曲线下面积(AUC)为0.9007,准确率为0.8176,精确率为0.8429。对于MCI检测,AUC为0.8630,准确率为0.8487,精确率为0.8506。Cheung等人(2022年)进行了一项回顾性、多中心病例对照研究,利用12,949张视网膜图像开发了一种检测AD的DL模型,该模型使用了EfficientNet-b2骨干网络,并利用自适应特征融合技术分析双眼视盘中心和黄斑中心视网膜图像,最终确定患者的AD-痴呆或无痴呆结果,其准确率达83.6%,敏感性93.2%,特异性82%,AUROC为0.93。此外,DL模型已使用分割后的OCTA图像分析AD、MCI和无痴呆患者视网膜多层微血管和中央凹无血管区。Xie等人(2024年)利用DL和逻辑回归分析158名患者的视网膜成像,发现AD患者内层血管丛的血管面积、长度密度和血管分叉数量较健康对照组显著降低。与对照组相比,MCI患者在浅层和内层血管丛的血管面积、长度密度、血管分形维数、血管分叉数量减少,内层血管丛的血管迂曲度增加,中央凹无血管区圆度增加。此外,AlzEye视网膜成像数据集包含来自Moorfields眼科医院NHS基金信托基金的353,157名患者和6,261,931张视网膜图像,旨在表征视网膜生物标志物与神经退行性和神经血管疾病之间的联系。值得注意的是,使用AUC作为诊断准确性指标存在局限性,因为报告的值反映了对回顾性训练数据集的过拟合,可能导致对新患者群体的普遍适用性降低。
SVM和ELM模型代表了监督式ML模型,因为它们利用已知的标记数据来训练并对未来数据做出决策。一项临床试验[ChiCTR1900027404]测试了SVM和ELM模型基于原始眼底图像(使用SVM)和眼底血管分割图像(使用ELM)检测MCI的能力。患者按认知评估和ICD-11及DSM-5 MCI诊断标准分为正常组、MCI组和痴呆组。作者报告称,基于原始眼底图像训练的SVM模型显示出显著优于ELM模型的预测效能(p = 0.0012)。虽然尚未被验证为独立的诊断工具,但AI在神经眼科中的应用为通过视网膜成像筛查老年患者以早期识别神经退行性疾病的生物标志物提供了机会。
检测视盘异常
- •
视盘水肿
视盘水肿定义为继发于颅内压增高的视盘水肿,通常为双侧。未能及时发现视盘水肿可能导致永久性视力丧失,并延误对颅内占位性病变、脑积水和静脉窦血栓形成等严重潜在神经系统疾病的识别。因此,研究人员开发了AI模型以辅助诊断视盘水肿。一组研究人员进行了一项回顾性研究,使用DL模型分析由脑与视神经人工智能(BONSAI)联盟收集的数字彩色眼底照片。该模型使用14,341张眼底照片进行训练和验证,并在1,505张照片上进行了外部测试。在不同测试集中,该模型在区分视盘水肿与其他所有视盘方面的AUC范围为0.93至0.98。该DL模型检测视盘水肿的敏感性为96.4%,特异性为84.7%,表明临床医生可将AI与眼底照相结合用于诊断视盘水肿并将其与其他眼科疾病区分开来。除临床诊断外,AI模型还被测试了检测OCT上早期视神经变化以预测未来发生视盘水肿的能力。一项研究利用公开可用的Visual Geometry Group-19 AI模型,测试其从早期OCT图像预测进展为视盘水肿的能力。实验组纳入了93名确诊为视盘水肿且在诊断前有正常OCT的患者,对照组纳入了254名健康受试者。该模型经过预训练以识别视网膜神经纤维层(RNFL)厚度图、神经节细胞厚度图、ILM-RPE厚度图和提取的垂直断层图的异常。当训练分析RNFL厚度图时,模型在初始研究人群中实现了0.826 ± 0.033的精确率-召回率曲线下面积(AUPRC)。随后的一项试验移除了35名参与者以均衡对照组和实验组的年龄和性别分布,AUPRC降至0.713 ± 0.040。这种性能下降突显了AI模型对队列组成的敏感性,并强调了在模型开发和验证过程中控制混杂变量的重要性。尽管如此,这些发现支持了AI辅助OCT分析作为早期检测辅助工具的潜力,前提是其局限性得到明确承认。
- •
视盘玻璃疣
假性视盘水肿描述了一组模仿视盘水肿的视盘异常。区分假性视盘水肿与视盘水肿具有挑战性,可能导致针对颅内压增高的不必要诊断性检查,包括昂贵的神经影像学和侵入性操作如腰椎穿刺。视盘玻璃疣(ODD)是假性视盘水肿的常见原因,普通人群患病率为1.0–2.0%。ODD是前层筛板后视神经头钙盐、粘多糖及氨基酸和核酸沉积的形成,可导致高达87%病例的视野缺损。AI技术与光学成像的结合提高了临床医生区分ODD与视盘水肿的能力,同时采用侵入性更小、成本更低的技术,从而提高了ODD的诊断效率。一项回顾性研究评估了DL系统利用标准彩色眼底照片区分ODD与视盘水肿的能力。该DL系统在BONSAI联盟的1,959名患者的4,087张眼底照片上进行训练,并在221名患者的421张独立图像上进行外部验证。诊断通过OCT、超声、自体荧光或颅内压升高确认,确保了高度的可靠性。该模型实现了0.97的AUC,在区分ODD与视盘水肿方面总体准确率为90.5%。当比较可见ODD与重度视盘水肿时,性能最强(AUC 0.99,准确率96.3%),在临床具有挑战性的埋藏型ODD与轻度视盘水肿的病例中仍保持高水平(AUC 0.93,准确率84.2%)。尽管结果强劲,但区分埋藏型ODD与早期视盘水肿是一项临床细致入微的任务,常依赖于多模式成像、纵向随访及超越眼底外观本身的临床背景整合。基于图像的DL分类器虽然在受限的分类环境中有效,但可能不足以捕捉这种更广泛的神经眼科推理过程,因此应谨慎解读接近上限的AUC值。另一项研究开发了一种DL算法,识别OCT扫描上的结构并利用此信息区分ODD、视盘水肿和健康对照。这项回顾性研究共纳入241名患者,对256张图像的分类显示,ODD检测的AUC为0.99 ± 0.001,健康对照为0.98 ± 0.01,视盘水肿为0.99 ± 0.005。这些结果突显了AI应用于标准眼底照片和OCT扫描作为辅助临床医生区分ODD与视盘水肿的可及、无创且经济高效的工具的潜力。然而,其临床采用需要可解释性和透明度,特别是在理解哪些结构特征驱动模型预测方面。
- •
非动脉炎性前部缺血性视神经病变
非动脉炎性前部缺血性视神经病变(NAION)是50岁以上人群突发性单侧视力丧失的常见原因。现有文献证明了AI在提高诊断精确度及区分NAION与相似表现疾病(如视神经炎(ON)、视盘水肿和动脉炎性前部缺血性视神经病变(AAION))方面的潜力。在一项回顾性观察研究中,Jalili等人(2024年)评估了ML对视盘周围OCTA扫描的血管密度特征进行分类,以区分健康眼、NAION眼和ON眼。利用SVM、随机森林和高斯朴素贝叶斯模型,分类器在区分这三组时实现了1.0的AUC和100%的准确率。尽管显著,但在小型回顾性数据集中的完美表现可能反映了对现实世界临床应用的普遍适用性有限,因为现实中的成像质量、合并症和非典型表现更具变异性。尽管如此,这些发现展示了利用基于血管密度的自动化ML AI如何辅助区分NAION和ON。Szanto等人(2025年)同样研究了DL在区分NAION和视盘水肿中的应用。在使用眼底照片的开发和验证研究中,他们的DL模型在内部测试中准确率超过96%,外部验证中准确率为93%,AUC值为0.98–0.99,F1分数高于0.90。Szanto等人(2025年)还进行了一项回顾性审查,评估使用未分割的3D OCT体积的DL模型。这些DL模型表现出类似的性能,内部准确率接近95%,外部验证准确率为90%,并得到高AUC(约0.98)和F1分数(约0.89–0.95)的支持。综上所述,这些结果表明应用于眼底照片和OCT扫描的DL模型可辅助临床医生区分NAION和视盘水肿。Gungor等人(2024年)在多中心国际队列研究中应用DL区分AAION和NAION。该研究包括802名患者的961张彩色眼底照片,显示了强大的外部有效性。DL模型准确率为92.6%,而神经眼科医生的准确率在74–82%之间。这些发现强调了DL作为辅助神经眼科医生快速准确区分AAION和NAION的重要价值,考虑到巨细胞动脉炎性AAION急需皮质类固醇治疗以防止双侧视力丧失。总之,这些研究突出了AI在神经眼科的临床效用,展示了在及时区分NAION与其他原因引起的视盘肿胀(包括ON、视盘水肿和AAION)方面的强劲表现。然而,未来的研究应调查临床变量(如心血管危险因素、实验室标志物)的纳入,以及模拟疾病演变和治疗反应的建模方法,以更好地反映现实世界中NAION管理中的神经眼科决策。
- •
遗传性视神经病变
莱伯氏遗传性视神经病变(LHON)是一种罕见的线粒体遗传性疾病,其特征为亚急性、双侧相继或同时发生的视力丧失。准确诊断具有挑战性,因为其典型表现包括充血、假性水肿视盘和视盘周围毛细血管扩张,这些表现可能很微妙或模仿其他疾病(如视神经炎),而后者需要不同的处理方式。在最近的一项回顾性研究中,Lee等人(2024年)开发了一种DL模型来区分LHON、ON和正常眼的眼底照片。数据集包括30只基因确诊的LHON眼、30只ON眼和120只正常眼。该DL模型区分LHON、ON和正常眼的AUROC值分别为0.988、0.990和1,总体准确率为0.93。重要的是,这些性能估计值是源于小型数据集,引发了潜在的过拟合和对普遍适用性的担忧,特别是考虑到临床实践中LHON的罕见性和异质性。报告的精确率、召回率和F1分数在区分LHON与其他疾病、ON与其他疾病以及LHON与ON时均为0.8,这突显了DL系统作为快速、经济高效且非侵入性诊断辅助工具的潜力。这在传统的基因检测昂贵且难以获取的罕见遗传性视神经病变中尤为宝贵。由于这些指标源自基于图像的分类,并未纳入纵向数据,未来纳入LHON演变和随时间推移的治疗反应的研究将具有洞察力。
- •
其他视神经病变
虽然青光眼传统上不被归类为神经眼科疾病,但这种慢性视神经病变带来了巨大且日益增长的全球负担。作为全球不可逆失明的主要原因,它强调了迫切需要可扩展的策略以促进早期检测和分诊。该病以视神经和RNFL的特征性损伤为特征,导致渐进性且通常无症状的视力丧失直至晚期。虽然眼压升高是迄今为止唯一确定的可改变危险因素,但青光眼也可发生在统计学正常的眼压下,反映了其发病机制的多因素性质。尽管在筛查和治疗方面取得了进展,青光眼仍常被漏诊,许多患者在发现之前已遭受显著的、不可逆的视力丧失。研究人员评估了AI模型利用彩色眼底照片和OCT图像诊断青光眼的能力。Li等人(2018年)训练了一个DL模型,在超过31,745张彩色眼底照片上检测青光眼性视神经病变,随后在随机选择的剩余8000张图像上进行了测试。该模型在可转诊的青光眼性视神经病变方面表现出0.986的AUC,敏感性为95.6%,特异性为92.0%,超过了许多人眼分级者的准确性。这些发现表明,基于AI的单张眼底照片评估可提供有效、可扩展且经济的青光眼筛查方法,特别是在服务不足的人群中。Asaoka等人(2019年)构建了一个迁移学习DL模型,使用OCT黄斑RNFL和神经节细胞复合体网格,在RS-3000数据上预训练并在Topcon OCT-1000/2000数据上微调,以检测早期青光眼。在独立测试集中,其AUROC为93.7%,敏感性82.5%,特异性93.9%。这一发现表明AI模型也可能有效地利用OCT成像诊断青光眼。尽管这些研究一致报告了高诊断准确性,但青光眼例证了以图像为中心的AI方法的局限性,因为疾病进展和管理取决于纵向趋势、眼压动态、功能测试和患者特定的危险因素,而这些并未被静态图像分类器完全捕获。另一组研究人员测试了AI在眼底成像上估算RNFL厚度以量化青光眼中神经损伤的能力。他们随后将AI RNFL厚度估计值与光谱域光学相干断层扫描(SDOCT)直接测量的RNFL厚度进行了比较。成功利用眼底成像确定RNFL厚度将允许使用眼底照片评估神经损伤,从而比SDOCT更快、更便宜地进行评估。该AI模型使用来自958名受试者1,849只眼睛的26,528对视盘照片和SDOCT扫描进行训练,随后在来自240名受试者463只眼睛的6,292对视盘照片和SDOCT上进行测试。研究人员发现,从视盘照片获得的AI预测的RNFL与SDOCT实际测量的RNFL厚度高度相关。预测值与观测值RNFL厚度之间的相关系数为0.832。预测值在区分青光眼视野缺损眼与健康眼方面表现良好,因为AI能够通过RNFL估计准确量化视神经损伤。这项工作代表了向更定量且潜在可解释的AI输出的转变,将成像生物标志物与临床有意义的参数对齐。Gong等人(2022年)进一步研究了AI增强医生青光眼诊断的能力,采用“医生+AI”协作模型。利用1,000张眼底图像,作者证明医生与AI合作时的诊断准确性显著高于各自独立工作。从第一轮到第二轮,医生A的诊断准确率从86%提高到92.5%,医生B从83.5%提高到93.5%,医生C从93%提高到95.5%,医生D从84%提高到95.5%。研究结果表明,这种协作模型提高了诊断精度,支持临床决策,并可能在青光眼筛查环境中特别有价值。DL系统已展示出与神经眼科医生相当的诊断准确性,突显了其作为检测视盘异常的有价值辅助工具的潜力。Biousse等人(2020年)评估了一个在19个国际中心的14,341张眼底照片上训练的DL系统的性能,并与两名神经眼科医生(称为专家1和2)进行了比较。测试使用了400张正常视盘、201张视盘水肿和199张其他视盘异常的眼底照片。DL系统总体准确率为84.7%,与专家1(84.4%)相当,高于专家2(80.1%)。DL系统还表现出强大的区分能力,正常视盘AUC为0.97,视盘水肿为0.96,其他视盘异常为0.89。DL系统的准确率、敏感性和特异性与神经眼科医生相似或更高。然而,DL系统的一个关键局限性是缺乏视野数据、OCT和临床病史,这些都是全面神经眼科决策的要素。此外,未来的研究应将DL系统与更多样化的神经眼科医生群体进行比较,以更好地情境化比较诊断性能。尽管存在这些局限性,这些发现表明DL系统可以增强诊断准确性并简化临床工作流程,例如在分诊和识别需要进一步神经眼科评估的视盘异常方面。
讨论
AI在神经眼科领域显示出巨大的前景,在一系列疾病中实现了与专家相当甚至超越的诊断准确性。从识别AD的视网膜生物标志物到检测视神经病变如视盘水肿、青光眼和NAION,AI模型已显示出可靠的一致性。这些应用强调了AI作为临床实践有力辅助工具的潜力,有望改善早期检测,减少诊断不确定性,限制不必要且昂贵的检查,并最终改善患者预后。然而,在解释AI模型与人类诊断准确性的比较时,考虑评估进行的背景至关重要。在许多研究中,AI系统和人类分级者使用相同的受限输入模式(如眼底照片或OCT图像)进行评估,无法获取临床病史、视野测试或辅助调查。在这些受控条件下,AI的性能常与执行基于图像分类的眼科医生或神经眼科医生进行比较,而非全面的临床诊断。因此,报告的性能指标反映了AI解释特定成像特征的能力,不应被解释为全面临床决策的直接替代品。重要的是,AI在区分表现重叠的疾病方面已显示出效用,例如视盘水肿和视盘玻璃疣,或NAION和视神经炎。在青光眼中,DL系统不仅能比许多人眼分级者更早地发现疾病,还能从眼底照片估算RNFL厚度,潜在地减少对昂贵OCT成像的依赖。同样,在LHON等罕见疾病中,AI工具实现了高分类准确性,在基因检测较难获取时提供了快速、经济有效的替代方案。除了诊断准确性,AI还有可能扩大医疗可及性。其分析标准眼底照片和OCT扫描的能力使其在理论上可用于初级保健、社区诊所和远程医疗平台,这一过程在某些视网膜疾病中已经启动。这可以显著改善服务不足人群的筛查,这些地区缺乏神经眼科医生和先进成像技术。此外,计算机化工具与AI的结合可以提供客观的评价层,补充传统的临床评估,这在AD等疾病中尤为宝贵,因为早期诊断通常依赖于更主观的认知测试。这些进步强调了AI在神经眼科中的更广泛目的:在提高诊断精度的同时,普及高质量诊断护理的可及性。尽管这些研究结果令人鼓舞,但仍需考虑几个局限性。迄今为止的大多数调查都是回顾性的,虽然一些研究包含了外部验证数据集,但很少有研究经历过前瞻性临床试验。数据集异质性也构成了挑战,因为许多模型是在单一机构的图像上训练的,引发了对不同人群和成像模式普遍适用性的担忧。此外,AI模型通常仅依赖成像数据,未纳入多模态临床信息,如全身病史、视野测试或实验室结果,而这些仍是神经眼科决策不可或缺的部分。更广泛地说,在广泛的临床部署之前,必须仔细解决患者隐私和在社区或人群层面实施AI系统的伦理问题。最后,相当一部分研究报告诊断性能时主要使用AUC,这是一个公认的具有局限性的指标。在某些情况下,接近1的极高AUC值可能反映了模型对训练数据集的高度优化,而不是对不同患者群体的可靠泛化。因此,报告强AUC性能的模型在具有不同人口统计或疾病特征的外部数据集上评估时,可能仍表现出有效性降低。
未来方向
采用AI进行神经眼科的一个主要挑战在于DL模型实现了高诊断准确性,但对预测是如何做出的却提供极少的透明度,有时被称为“黑箱问题”。这种不透明性会削弱临床医生的信任,限制问责制,并造成患者接受的障碍,特别是当治疗决策取决于对诊断理由的理解时。在眼科领域,能够清晰识别细微成像特征(如早期视盘水肿或神经纤维层变化)对于临床决策至关重要,模型解释结果的能力的重要性被放大了。为了解决这个问题,研究人员已经开始开发可解释人工智能(XAI)方法,在不牺牲性能的情况下使模型预测更具可解释性。例子包括生成热图,突出显示对模型决策最具影响力的眼底或OCT图像区域。通过创建能够提供可解释推理的模型,实施AI的法律和伦理障碍可能会得到缓解,从而促进更安全地融入临床实践。尽管基于图像的DL分类器在神经眼科AI研究中占主导地位,但替代计算范式值得更多关注。动态建模方法,如新兴的数字孪生(Digital Twin)框架,旨在模拟疾病随时间的演变和治疗反应,而不是生成静态诊断标签。这些模型对视盘水肿和青光眼等疾病具有前景,在这些疾病中,时间动态和个体轨迹是管理的核心,但在当前的神经眼科AI文献中基本上未被探索。医疗数字孪生框架提供了一种将神经眼科AI从诊断扩展到模拟疾病演变和治疗反应的方法。因为数字孪生随着新数据的收集而不断更新,它们最终可能实现个体化预测。现有的利用DL算法分析眼科诊断成像的研究是有希望的;然而,外部有效性可能有限,而同步的患者特定建模(如数字孪生框架)为将神经眼科AI从快照分类转向更贴近临床决策的个性化模拟提供了一条连贯的路线图。神经眼科AI的未来研究应优先考虑大规模、前瞻性、多中心临床试验,如AlzEye项目,以解决回顾性、单机构研究的局限性并建立现实世