AI与人类专家相比，准确度如何？
在头对头比较中，人工智能系统检测糖尿病视网膜病变（DR）的灵敏度往往高于人工分级员，这意味着它们能发现更多病例。一项关于EyeArt系统的关键多中心试验显示，该系统对轻中度以上DR的检测灵敏度达95.5%，特异度为85.0%，而普通眼科医生仅能检出20.6%的病例，视网膜专科医生则为59.5%[3]。另一项研究表明，AI在检测威胁视力的DR方面优于视网膜专科医生（灵敏度分别为96.2%和84.4%）[7]。这意味着AI漏诊疾病的可能性更低，但可能会标记出更多假阳性结果。
然而，AI的特异性（正确排除疾病的能力）通常略低于专科医生。在相同的EyeArt试验中，AI的特异性为86%-88%，而人工分级员则达到98.9%-99.8%[3]。一项在中国农村地区开展的研究发现，与眼科医生相比，AI的敏感性为81.2%，特异性为94.3%[6]。因此，尽管AI能捕捉到更多真实病例，但也会产生更多需要专科医生进一步排查的假阳性警报。
影响AI在真实应用中准确性的因素
图像质量是最关键的因素。一项模拟白内障的研究发现，随着白内障严重程度增加，AI的准确率从97.0%下降至53.5%[9]。同样，使用手持便携式眼底相机而非标准台式相机时，AI检测可转诊糖尿病视网膜病变的能力下降（曲线下面积从98.5%降至89.4%）[11]。在社区筛查中，白内障及其他介质混浊降低了检测准确率[8]。
AI系统的类型和人群也会影响结果。在一项对两种FDA批准系统的直接比较中，IDx-DR对可转诊糖尿病视网膜病变的敏感性较高（99.1%），但特异性较低（71.5%），而MONA DR的敏感性较低（93.4%），但特异性较高（89.3%）[4]。一项针对澳大利亚原住民的研究发现，AI对中度以上糖尿病视网膜病变保持了高敏感性（98%）和特异性（95%），表明其在不同族群中均能良好运行[7]。然而，一项智利研究警告称，若使用错误的参考标准，报告的准确性可能被夸大[10]。
AI能否取代人类筛查员？
AI更应被视为一种强大的筛查工具，而非专家诊断的替代品。多项研究强调，AI的优势在于排除疾病——其阴性预测值（NPV）通常达到100%，这意味着阴性结果高度可靠[2][8]。这使得AI能够安全地减少需要专家复诊的患者数量。例如，一项研究发现，AI对所有糖尿病视网膜病变（DR）分期的NPV均为100%，因此临床医生可以信赖“无DR”的筛查结果[2]。
然而，AI往往会高估疾病严重程度，因此所有阳性结果均需专科医生确认[2]。在一项社区筛查中，与视网膜专科医生相比，EyeArt的诊断准确率为81%，转诊准确率为83%[8]。成功实施还需合理的临床工作流程、人员培训以及与转诊系统的整合[1]。AI能够提升医疗可及性和公平性，尤其在医疗资源匮乏地区[1][6][7]，但目前尚不能作为独立解决方案。
关于这些来源
该答案基于11篇同行评审研究构建而成——发表于2021年至2025年间，其中5篇为2024年及以后发表，4篇发表于Q1期刊，累计被引386次——这些研究是从15篇通过质量筛选的研究中选出的最具相关性的内容，而后者又源自从超过5亿篇论文的数据库中检索出的87篇文献。
本文引用的文献
糖尿病视网膜病变检测中的自主人工智能——成功融入医疗系统的经验教训
回顾FDA批准的AI系统（LumineticsCore、EyeArt、AEYE-DS）在真实世界应用中的五年实践，报告显示其平均灵敏度为87%-100%，特异度为60%-91%，并强调成功实施需要工作流程整合与员工培训。
基于自主人工智能的糖尿病视网膜病变筛查在实际临床实践中的准确性
在一项涉及1141名患者的研究中，IDx-DR人工智能系统对所有糖尿病视网膜病变（DR）阶段的敏感性达到100%，阴性预测值也为100%，但存在严重程度高估的问题，因此阳性结果需由专科医生复核。
人工智能检测糖尿病视网膜病变
在一项纳入893名参与者的前瞻性多中心试验中，EyeArt人工智能检测轻度以上糖尿病视网膜病变的灵敏度为95.5%，特异度为85%，表现优于普通眼科医生（灵敏度20.6%）和视网膜专科医生（灵敏度59.5%）。
评估AI系统在糖尿病视网膜病变检测中的效能：Mona DR与IDx-DR的比较分析。
在695名患者中比较两种AI系统，IDx-DR对可转诊糖尿病视网膜病变的敏感性为99.1%，特异性为71.5%；而MONA DR的敏感性为93.4%，特异性为89.3%；两者对威胁视力的糖尿病视网膜病变的敏感性均为100%。
人工智能系统在自主检测可转诊及威胁视力的糖尿病视网膜病变中的关键评估
在一项涉及893名患者的关键性多中心研究中，EyeArt人工智能在未散瞳情况下检测轻度以上糖尿病视网膜病变的敏感性为95.5%，特异性为85%；检测威胁视力的糖尿病视网膜病变的敏感性为95.1%，特异性为89%。
中国中西部地区AI辅助糖尿病视网膜病变筛查的临床评估
在一项针对中国农村地区3933名患者的筛查中，人工智能的灵敏度为81.2%，特异度为94.3%，与眼科医生相比具有高度一致性（kappa=0.752）。
深度学习系统在澳大利亚原住民糖尿病视网膜病变检测中的验证
在864名澳大利亚原住民患者中，深度学习系统对中度以上糖尿病视网膜病变的敏感性（98%）优于视网膜专科医生（87.1%），但特异性略低（95.1% vs 97%）。
在视网膜筛查活动中，EyeArt人工智能系统对糖尿病视网膜病变进行了分析。
在社区筛查（124只眼）中，与视网膜专科医生相比，EyeArt对糖尿病视网膜病变诊断的准确率为81%，转诊准确率为83%，两者具有高度一致性（kappa=0.69-0.70）。
模拟白内障对人工智能在彩色眼底照片中检测糖尿病视网膜病变准确性的影响。
模拟白内障使AI的准确率从97%降至53.5%，灵敏度从95.7%骤降至11.8%，这表明图像质量对AI性能至关重要。
使用条件概率与适当参考标准修正糖尿病视网膜病变检测中AI软件的准确性。
使用条件概率对不恰当的参考标准进行校正后，DART人工智能系统报告的灵敏度和特异度显著低于最初声称的水平。
评估一款基于手持便携式眼底相机拍摄图像检测糖尿病视网膜病变的AI系统：MAILOR AI研究。
使用手持便携式眼底相机时，AI系统（Pegasus）对增殖性糖尿病视网膜病变（DR）表现良好（AUROC 94.3%），但对可转诊DR的效能显著较低（AUROC 89.4%），与台式相机相比存在差距。