一张视网膜照片如何揭示心脏病风险？
视网膜是人体中唯一无需手术即可直接观察血管的部位。这些微小血管的变化——如血管变窄、出血或神经纤维层损伤——往往能反映心脏和大脑中正在发生的损伤。深度学习AI模型能够捕捉人眼可能遗漏的这些细微模式。例如，2025年的一项研究表明，AI分析常规糖尿病视网膜照片后，预测未来10年心脏病发作或中风风险的准确度与标准临床风险评分相当（两者的AUC均为0.70）[1]。另一项研究发现，视网膜神经纤维层的局部缺陷与冠状动脉钙化评分（CACS≥300）高风险存在关联，这类患者出现严重心脏病变标志物的概率高出44%[6]。
视网膜成像预测心脏病的准确度有多高？
准确性在很大程度上取决于你要预测的目标以及所使用的AI模型。最佳情况是：一项2025年的多输入深度学习模型在某个数据集中，通过视网膜图像检测心血管疾病（CVD）达到了94%的准确率和0.96的AUC值[5]。但该研究采用了病例对照设计（将已知CVD患者与健康对照组进行比较），这往往会高估实际应用中的表现。当预测未来事件——这一更具挑战性也更有价值的任务时，性能会下降。一项2023年对26项研究的荟萃分析发现，预测未来心脏病发作或中风的模型AUC值在0.68至0.81之间[2]。2025年针对2型糖尿病的研究显示AUC值为0.70，与标准临床评分相当[1]。因此，尽管视网膜成像技术可行，但它目前并非万能灵药——其效果大致与现有的风险计算器相当，并未显著更优。
有哪些注意事项和局限性？
几项重要局限性表明，视网膜成像尚无法替代医生的风险评估。首先，多数研究针对特定人群开展——如2型糖尿病患者[1][3]或1型糖尿病患者[4]——因此结果可能不适用于所有人。其次，该技术仍在发展中：2023年一项荟萃分析指出研究设计存在高度异质性，并呼吁开展更多真实世界测试[2]。第三，并非所有视网膜特征都具有同等预测价值。2025年一项研究发现，标准动脉粥样硬化性心血管疾病风险评分与糖尿病视网膜病变严重程度并无显著关联[3]，这表明不同的视网膜变化预示着不同的风险。最后，即便最优秀的模型仍会遗漏约30%的事件（灵敏度约70%）[7]，这意味着许多高危人群将被漏诊。本领域规模最大且引用最广的研究——基于160万张图像训练的RETFound模型——证实人工智能可预测心力衰竭和心脏病发作，但该模型被设计为通用型模型，并非专门的心血管疾病预测工具[8]。
关于这些来源
该回答基于8篇经同行评审的研究——发表于2021年至2025年间，其中4篇为2024年及以后发表，3篇发表于Q1期刊，累计被引用737次——这些研究是从11篇通过质量筛选的文献中选出的最具相关性的成果，而该11篇文献又源自从超过5亿篇论文数据库中检索到的73篇论文。
本文引用的文献
基于深度学习，从2型糖尿病患者的常规视网膜图像中预测心血管结局
在6127名2型糖尿病患者中，一种深度学习人工智能模型通过常规视网膜照片预测10年主要心血管事件的准确度与标准临床风险评分相当（两者AUC均为0.70），而将两者结合可提升预测效果（AUC达0.73）[1]。
深度学习在视网膜图像心血管疾病风险预测中应用的系统综述与荟萃分析
一项涵盖26项研究的荟萃分析发现，基于视网膜图像预测未来心血管事件的深度学习模型的AUC值在0.68至0.81之间，而用于检测糖尿病等风险因素的模型则取得了更高的AUC值（0.80–0.96）[2]。
2型糖尿病患者中动脉粥样硬化性心血管疾病风险与糖尿病视网膜病变的关联
在215名2型糖尿病患者中，动脉粥样硬化性心血管疾病风险评分与糖尿病视网膜病变的严重程度无显著关联，但糖尿病病程、糖化血红蛋白水平及神经病变与之相关[3]。
1型糖尿病微血管并发症与心血管疾病风险的关联
在DCCT/EDIC针对1型糖尿病的研究中，晚期微血管病变（尤其是伴有蛋白尿的肾脏疾病）与随后35年间心血管事件风险增加2至3倍相关[6]。
聚焦心脏：利用可解释性视网膜图像检测心血管疾病
一种利用视网膜图像以及视盘、视杯和血管分割图的多输入卷积神经网络，在EyePACS数据集[8]上检测心血管疾病时达到了94%的准确率和0.96的AUC值。
视网膜神经纤维层缺损与心血管疾病风险患者冠状动脉钙化评分之间的关系
在1,316名无已知心血管疾病的受试者中，局限性视网膜神经纤维层缺损与冠状动脉钙化评分≥300（晚期动脉粥样硬化的标志物）的几率增加44%相关[9]。
利用视网膜光学相干断层扫描成像预测心血管疾病风险。
利用来自2846名英国生物银行参与者的视网膜OCT图像，深度学习模型预测未来5年内发生心脏病发作或中风的风险，AUC为0.75，灵敏度为0.70，特异度为0.70[10]。
一种用于从视网膜图像中实现可泛化疾病检测的基础模型
RETFound是一个基于160万张未标注视网膜图像训练的基础模型，在通过视网膜照片预测心力衰竭和心肌梗死方面优于对比模型，展现了人工智能在全身性疾病检测中的泛化能力[11]。