1 对象与方法
1.1 研究对象
以2018年10月至2024年12月天津市第四中心医院内分泌科代谢性疾病管理中心（Metabolic Disease Management Center，MMC）就诊的接受免散瞳眼底检查的T2DM患者为研究对象。纳入标准：①2型糖尿病（type 2 diabetes mellitus，T2DM）患者，②有独立沟通能力。排除标准：①糖尿病合并妊娠；②有活动性肺结核等传染病患者；③既往有明确的眼底疾病就诊史，先天性眼底疾病史及外伤所致眼底疾病史；④双侧眼底均因屈光介质混浊不能窥及的患者；⑤精神障碍患者。本研究“真实环境”指：①检查由内分泌科护士操作；②采用诊疗区自然光照（300~500 Lux）；③最多尝试3次拍摄获取最佳图像。本研究方案符合医学伦理相关规定，严格遵守《赫尔辛基宣言》，通过天津市第四中心医院伦理委员会审查（批件号：2017-SZXLL020），所有患者均知情同意并签署同意书。
1.2 信息收集及诊断标准
MMC诊室中拍摄眼底照片的工作人员为经过规范化培训的技术人员，使用免散瞳眼底照相机（Reticam 3100，Chongqing Beaoxin Vision Medical Equipment Company），拍摄至少2张以黄斑及视乳头为中心的45°的眼底后极部彩色照片，图像质量由质量控制软件和操作者共同掌握。合格眼底照片的标准[14-15]：①图像必须覆盖至少45°的视网膜区域，黄斑和视盘可见；②至少80%的视网膜区域可识别；③没有因聚焦失败和运动引起的过度曝光、曝光不足或模糊。人工智能算法：本研究中采用的自动DR评分软件（VoxelCloud，中国）使用深度学习技术开发。该软件中包括了2种不同的网络：DR分类网络和质量控制网络。DR分类网络是自动DR分级软件的关键组成部分，它在2个数据集上进行了训练，以提高模型在复杂情况下的性能。第一个数据集来自2005至2015年期间获得的一个广泛的私人视网膜图像数据库，用于训练初始DR分级模型[16]，根据国际DR临床分类，确定这些图像中视网膜病变的严重程度，该分类法由国际眼科委员会开发，并被广泛采用。第二个数据集（国内眼底数据集）来自中国公立医院，DR严重程度分级根据3名视网膜专家的共识进行分配[17]。
眼底照片信息同步发送到眼科医师端，AI眼底辅助系统即刻出具眼底临时报告，作为是否需要转诊的参考。由AI提示的具有转诊意义的眼底照片将优先提醒眼科医师审核，眼科医师通常在30 min内完成。其他眼底照片由眼科医师在48 h内审核完成。所有眼底照片最终报告均需要经副主任及以上眼科专业医师审核确定。
1.3 研究分组及观察指标
对免散瞳获得的眼底照片分别进行快速AI及眼科专科医师诊断，其眼底报告由此分为AI组及眼科医师组。获得患者每张眼底照片及双方报告后，评估观察指标：①评估研究对象中患者DR、黄斑病变、白内障及高血压视网膜病变的发生情况。②2018年10月至2021年7月之间就诊的患者，比较2组报告结果在DR诊断的一致性。③实践过程中时有发生DR筛查失败情况，为对失败原因进行分析，本研究从2023年9月开始记录相关原因，利于进一步分析。本研究以眼科专家诊断为金标准，计算不同DR分期AI识别的灵敏度、特异度。该研究流程图见图1。本研究中患者DR的诊断如遇到双侧眼底出现不同程度DR病变时，以较严重眼底为最终报告。在比较一致性时，则是在获取的每一张眼底照片中进行。
1.4 统计学方法
数据的整理和分析主要采用SPSS 26.0。对计量资料进行正态性检验，对符合正态分布的用$\bar{x}\pm s$描述，计数资料采用n（%）表示，组间比较采用χ 2检验。由于DR诊断结果为有序分类变量，一致性比较采用加权Kappa检验，Kappa值< 0.2则说明一致性程度较差，0.2~< 0.4之间为一般，0.4~< 0.6为中等，0.6~< 0.8为较强，≥0.8说明一致性程度很强。本研究中以眼科专科医师诊断结果为参考，计算AI诊断的灵敏度、特异度、符合度、阳性预测值（positive predictive value， PPV）及阴性预测值（negative predictive value，NPV）。总体比较以双侧P < 0.05为差异有统计学意义，两两比较采用Bonferroni法进行校正。
2 结果
2.1 内分泌诊区免散瞳眼底检查室为T2DM患者进行DR筛查
2018年10月至2024年12月，MMC为14 305例患者进行了免散瞳眼底照相检查，年龄（57.1±11.8）岁，其中男性8 061例（56.4%），女性6 244例（43.6%），共成功拍眼底照片28 245张（左侧14 100张，右侧14 145张），发现DR患者3 056例，占比21.4%，其中轻度NPDR 1 912例（13.4%），中度NPDR 915例（6.4%），重度NPDR 112例（0.8%），PDR 117例（0.8%），中度非增殖及以上DR患者均得到了及时的专业眼科救治。每年度眼底筛查患者及不同程度DR结果见表1。
表1 2018至2024年天津市第四中心医院内分泌科代谢性疾病管理中心DR筛查情况Table 1 Diabetic retinopathy screening data in the Metabolic Disease Management Center（2018-2024）of Tianjin Fourth Central Hospital |
| 年 份 | 筛查人数/n | 轻度NPDR/n（%） | 中度NPDR/n（%） | 重度NPDR/n（%） | PDR/n（%） |
|---|---|---|---|---|---|
| 2018 | 255 | 58（22.7） | 18（7.1） | 1（0.4） | 3（1.2） |
| 2019 | 2 423 | 346（14.3） | 159（6.6） | 15（0.6） | 32（1.3） |
| 2020 | 1 906 | 211（11.1） | 87（4.6） | 8（0.4） | 12（0.6） |
| 2021 | 2 752 | 580（21.1） | 190（6.9） | 32（1.2） | 5（0.2） |
| 2022 | 2 161 | 252（11.7） | 121（5.6） | 12（0.6） | 22（1.0） |
| 2023 | 2 603 | 242（9.3） | 172（6.6） | 21（0.8） | 24（0.9） |
| 2024 | 2 205 | 223（10.1） | 168（7.6） | 23（1.0） | 19（0.9） |
| 合计 | 14 305 | 1 912（13.4） | 915（6.4） | 112（0.8） | 117（0.8） |
其中，13 341例患者查眼底过程时有糖尿病病程记录，中位病程0.1年（1 d~40年），不同糖尿病病程患者构成比与DR筛查阳性情况见表2。
表2 不同糖尿病病程患者构成比与DR筛查阳性情况Table 2 Distribution of diabetic patients by disease duration and DR screening positivity |
| 病 程 | 患者例数 | 构成比/% | DR阳性/n（%） |
|---|---|---|---|
| <1年 | 8 773 | 65.8 | 1 508（17.2）a |
| 1~4年 | 1 905 | 14.3 | 347（18.2）a |
| 5~9年 | 1 022 | 7.7 | 299（29.3）b |
| ≥10年 | 1 641 | 12.3 | 735（44.8）c |
| 合计 | 13 341 | 100 | 2 889（21.7） |
注：a、b、c不同字母表示校正检验水准后组间差异具有统计学意义。 |
2.2 免散瞳眼底检查时双侧眼底均筛查失败的原因分析
2023年9月至2024年12月期间累计为3 085例患者进行了眼底筛查，其中2 970例（96.3%）患者成功获得一侧或者双侧眼底照片，115例（3.7%）患者筛查失败。筛查失败原因统计分析主要为瞳孔小81例（70.4%）、白内障等导致介质不清28例（24.3%），视力极差或无光感3例（2.6%）及因脑梗死等原因无法配合3例（2.6%）。各年龄段筛查失败分布见表3。
表3 不同年龄段T2DM患者免散瞳检查筛查失败发生情况Table 3 Screening failure rates of non-mydriatic examination in T2DM patients by age group |
| 年龄分段 | 筛查例数 | 筛查失败/n（%） |
|---|---|---|
| <40岁 | 269 | 0a |
| 40~49岁 | 484 | 5（1.0）b |
| 50~59岁 | 604 | 12（2.0）b |
| 60~69岁 | 1 207 | 46（3.8）c |
| ≥70岁 | 521 | 52（10.0）d |
| 合计 | 3 085 | 115（3.7） |
注： a、b、c、d不同字母表示校正检验水准后组间差异具有统计学意义。 |
2.3 AI对免散瞳眼底检查结果的判断与眼科医师结论的一致性评价
表4 AI与眼科医师结论的一致性评价Table 4 Consistency evaluation between AI and ophthalmologists, conclusions |
| AI初步诊断分类 | 眼科医师诊断 | ||||
|---|---|---|---|---|---|
| 0 | 1 | 2 | 3 | 4 | |
| 0 | 8 207 | 251 | 16 | 1 | 0 |
| 1 | 115 | 528 | 1 | 0 | 0 |
| 2 | 80 | 253 | 509 | 0 | 1 |
| 3 | 2 | 0 | 4 | 49 | 0 |
| 4 | 35 | 15 | 18 | 11 | 60 |
注：0、1、2、3分别表示无、轻度、中度及重度糖尿病视网膜病变，4表示增殖性糖尿病视网膜病变。 |
表5 AI诊断不同程度DR的效能Table 5 Efficacy of AI in diagnosing DR at different severity cut-offs |
| 不同程度DR切点 | AI报告 | 眼科医师诊断 | 灵敏度/% | 特异度/% | 符合率/% | PPV/% | NPV/% | |
|---|---|---|---|---|---|---|---|---|
| 阴性 | 阳性 | |||||||
| 轻度NPDR | 阴性 | 8 207 | 268 | 84.4 | 97.3 | 95.1 | 86.2 | 96.8 |
| 阳性 | 232 | 1 449 | ||||||
| 中度NPDR | 阴性 | 9 101 | 18 | 97.3 | 95.9 | 96.0 | 62.9 | 99.8 |
| 阳性 | 385 | 652 | ||||||
| 重度NPDR | 阴性 | 9 960 | 2 | 98.4 | 99.3 | 99.3 | 61.9 | 100.0 |
| 阳性 | 74 | 120 | ||||||
| PDR | 阴性 | 10 016 | 1 | 98.4 | 99.2 | 99.2 | 43.2 | 100.0 |
| 阳性 | 79 | 60 | ||||||
2.4 5 082例免散瞳眼底检查患者发现其他眼底病变情况
针对免散瞳所获取的眼底照片，AI通过初步提醒后经过眼科专家确认并及时发现了其他眼底病变。1 660例（32.7%）患者存在视网膜眼底动脉硬化；2 520例（49.6%）患者存在高血压视网膜病变；469例（9.2%）患者存在白内障；337例（6.6%）患者存在黄斑病变。14例患者存在眼底出血，12例存在青光眼病变，2例患者存在视网膜脱离等，研究团队为病情急危重患者提供了及时专业的治疗及指导建议。
3 讨论
本研究验证了免散瞳眼底检查技术在内分泌诊区DR筛查中的高效性与可行性。 研究通过对14 305例T2DM患者进行DR筛查，阳性检出率达到21.4%，其中中度及以上DR患者均获得及时转诊，这与既往研究提出的免散瞳技术可提升基层筛查效率的结论一致[9,18]。值得注意的是，65.8%的筛查患者糖尿病病程短于1年，表明该技术有助于推动DR的早期发现，弥补了传统筛查模式中对初诊患者覆盖不足的缺陷。此外，筛查失败率仅3.7%，且主要与瞳孔小（70.4%）及白内障等导致介质不清（24.3%）等客观因素相关，提示该技术对年轻或配合度较高患者的适用性更优，早发T2DM患者因DR进展风险较高[19]，更需通过此类高效手段实现定期监测与早期干预[20]。
AI辅助诊断与眼科医师评估的一致性为DR分级管理提供了可靠工具。本研究显示AI与医师诊断的加权Kappa值达0.817，对中度以上DR的灵敏度（97.3%）和特异度（95.9%）均优于多数同类研究[7,21]，证实其在高危患者分层中的准确性。这一结果支持将AI作为初级医疗中DR转诊的“筛选器”，尤其适用于资源有限的地区，可减少漏诊并优化眼科专科资源的分配[8,22]。此外，AI对其他眼底病变（如黄斑病变、青光眼等）的识别潜力[23]，进一步拓展了其在多病联合筛查中的应用场景，为眼底疾病的全面筛查和早期发现提供了新的可能。这一发现不仅拓宽了AI在眼科领域的应用范围，也为未来构建更加智能化、高效化的眼科医疗服务体系奠定了坚实基础。但需注意其诊断仍依赖图像质量，且对极低视力或复杂病例的敏感性仍需通过算法迭代提升[24]。
本研究揭示了糖尿病病程与DR筛查阳性率的潜在关联。尽管数据显示病程 >10年患者的DR风险显著升高，但纳入患者的中位病程仅0.1年，提示本研究筛查人群以新诊断糖尿病患者为主。这一偏倚可能低估长病程DR的真实患病率，但也凸显了内分泌科开展早期筛查的临床意义——通过“诊间筛查”模式缩短从确诊到眼底评估的时间窗，从而改善预后。本研究在技术整合与临床应用层面展现出多重创新价值。首先，通过构建“诊间筛查”模式实现了糖尿病诊疗与眼底评估的无缝衔接[25]。其次，AI系统展现出的高效诊断能力值得关注——其对中度、重度NPDR和PDR的PPV分别达到62.9%、61.9%及43.2%，NPV为99.8%、100.0%及100.0%，在DR筛查中的核心价值是高效排除阴性病例，但对阳性结果（尤其严重病变）需谨慎解读，这种高效的“风险分层”能力有利于DR的分层管理及随访[26]。
本研究具有一定的局限性：作为单中心研究，样本代表性可能受地域及人群特征影响；AI诊断依赖免散瞳图像质量，而瞳孔条件、拍摄技术等因素可能会影响图片质量。但需要强调的是，这些局限性并不影响本研究核心结论的可靠性：大规模样本量有效降低了随机误差，严格的质控流程保障了数据准确性。
综上所述，免散瞳眼底检查与AI技术的结合为眼底筛查带来了革命性的变革。眼科作为医学领域中的AI应用前沿专业之一，运用机器学习技术应用于诊断、干预和预测眼科疾病方面取得了显著的成果。这种诊疗模式不仅提高了筛查的效率和准确性，为眼科疾病的早期发现和治疗提供了有力支持，为AI辅助DR筛查建立了统一标准，推动AI诊断系统在眼底临床实践中的应用。该模式尤其适用于糖尿病初诊患者集中、眼科资源相对匮乏的医疗机构。
利益冲突声明：本研究未受到企业、公司等第三方资助，不存在潜在利益冲突。