不确定性感知ViT在多族裔近视与非近视人群中检测青光眼的多中心研究

研究团队开发并验证了一种带预测不确定性估计的ViT-B/16模型，用于从彩色眼底照片检测青光眼。模型基于56,483张眼底照片训练，其中57.1%为近视、14.4%为高度近视。在三个大洲16个独立外部数据集上验证，AUROC范围为86.4%至99.6%。在高度近视眼中，外部AUROC为85.5%至93.3%；一项探索性评估中，模型仅用眼底照片的诊断准确率高于眼科医生和受训阅片者（92.0%对70.0%）。

此前青光眼AI筛查模型在外部数据集和高度近视共病人群中性能常下降。该研究通过多中心、跨族裔验证，并专门报告高度近视亚组结果，说明模型在近视与高度近视人群中的稳定性有所提升，同时引入不确定性估计以辅助临床判断。

模型采用ViT-B/16架构并加入预测不确定性估计，训练标签通过临床、影像和视野检查数据统一标准化，以缓解不同数据集标签定义不一致的问题。多中心外部验证覆盖八个国家，用于检验跨人群、跨设备的泛化能力；高度近视亚组的表现下滑也反映共病结构改变对眼底判读的干扰。

对筛查类产品而言，不确定性输出可用于标记低置信度病例并转诊人工复核，降低高度近视等疑难人群的漏诊风险。但外部AUROC最低约85%，且证据仅来自研究验证，尚未说明部署成本、推理延迟和真实筛查流程中的集成方式，产品化前需补充前瞻性评估。

• 在糖网或青光眼筛查产品中引入不确定性阈值，将低置信度眼底照片自动分流至眼科医生复核队列。
• 针对高度近视人群单独建立模型性能监控指标，作为外部数据集验证和版本迭代的准入门槛。
• 开发面向基层筛查的眼底照片初筛模块，明确标注仅用CFP的准确率边界，并与专家全信息诊断流程做对照。

• 该模型在真实筛查场景中的前瞻性表现和泛化能力尚未被证据确认。
• 证据未说明模型推理所需的硬件条件、单张处理时延和部署成本。
• 16个外部数据集中仅4个有明确高度近视标签，其他人群的高度近视亚组表现未知。
• 不确定性估计如何转化为临床决策阈值，以及能否降低实际漏诊率，尚未被验证。