引言

青光眼是一组损害视神经并可能导致不可逆失明的眼部疾病。青光眼常被称为“视力的小偷”，全球数百万人口受其影响。事实上，据估计到2040年将有1.118亿人患有青光眼 (medicalxpress.com)。早期发现和治疗至关重要，因为视力丧失无法完全恢复。这正是人工智能 (AI) 取得进展的领域：通过分析眼部图像和检测数据，AI可以更高效地辅助青光眼的筛查、诊断和监测。在本文中，我们将探讨AI目前如何在青光眼护理中应用——引用实际工具和研究——并审视新兴机遇，特别是在视力恢复研究方面。我们将重点关注已验证的结果（例如AI工具的敏感性和特异性）以及具体的未来应用，为患者和研究人员提供实用指导。

AI在当前青光眼筛查和诊断中的应用

智能手机和眼底图像分析

当今AI的一大主要用途是自动分析眼底照片（视网膜图像），以筛查青光眼。研究团队已将便携式眼底相机或智能手机附件与AI分类器结合，以识别青光眼性视盘。例如，印度近期一项前瞻性研究测试了嵌入在智能手机眼底相机上的离线AI模型（Remidio FOP NM-10设备上的Medios AI-Glaucoma）。与完整的临床检查相比，该系统在识别需要转诊的患者（“可转诊的青光眼”）方面，达到了约94%的敏感性和86%的特异性 (pmc.ncbi.nlm.nih.gov)。具体而言，AI正确识别了93.7%的真性青光眼病例，并正确排除了85.6%的非青光眼病例 (pmc.ncbi.nlm.nih.gov)。如此高的准确性表明，基于智能手机的AI筛查可以可靠地发现视盘存在青光眼改变的患者。

另一项研究将类似的AI-相机设置应用于各种严重程度的青光眼。研究发现，AI在检测青光眼或可疑病例方面达到了91.4%的敏感性和94.1%的特异性 (pmc.ncbi.nlm.nih.gov)。对于极早期疾病，性能略低（约87%敏感性），而对于晚期病例，性能最高（96%敏感性） (pmc.ncbi.nlm.nih.gov)。这些结果来自门诊诊所，表明AI工具在识别可疑眼部方面可以媲美专科医生的检查。它们还强调，AI通常会保守地标记轻度或可疑病例；在一项研究中，大多数假阳性病例是专家标记为“视盘可疑”的眼睛 (pmc.ncbi.nlm.nih.gov)。这种保守方法有助于避免漏诊真实疾病，尽管可能会增加一些转诊。

商业和研究团体已经在开发此类系统。例如，Medios AI-Glaucoma系统（Remidio，印度/新加坡）集成在智能手机眼底相机上，并已显示出上述结果 (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov)。其他AI平台（例如BegIA）使用智能手机图像来估算杯盘比，甚至分析面部图像以检测眼部异常 (glaucoma.org)。在一项临床评估中，一款智能手机应用程序报告的青光眼检测曲线下面积 (AUC) 为0.966，敏感性为95.4%，特异性为87.3% (glaucoma.org)。

远程医疗和远程筛查

支持AI的应用程序也用于青光眼的远程医疗。例如，iPredict云平台对上传的眼底图像运行AI。在一项实际试验中，这款远程医疗工具在识别视网膜照片中的青光眼可疑病例方面达到了约89.7%的准确性（83.3%敏感性，93.9%特异性） (pmc.ncbi.nlm.nih.gov)。AI通过测量垂直杯盘比将视盘分为“青光眼可疑”与正常，与专家评分员的匹配度达到93.9% (pmc.ncbi.nlm.nih.gov)。该系统在测试集中显示，现场检查与AI处理的远程分级之间有100%的一致性 (pmc.ncbi.nlm.nih.gov)。这意味着农村诊所的患者可以通过AI获得实时筛查结果，并在需要时立即获得转诊建议。此类平台使筛查更易获得且更一致，特别是在医疗服务不足的地区 (glaucoma.org) (pmc.ncbi.nlm.nih.gov)。

OCT、视野和数据整合

除了照片，AI还应用于其他青光眼检测。深度学习模型可以分割光学相干断层扫描 (OCT) 图像，以测量视网膜神经纤维层 (RNFL) 厚度或视神经盘特征。它们还可以分析视野 (VF) 测试中的细微进展。例如，卷积神经网络已被训练用于区分VF图上的青光眼模式。其他AI工具结合多个数据源——眼压读数、OCT、VF、患者病史——来计算青光眼风险评分。尽管其中许多仍处于开发或早期试验阶段，但它们有望通过突出显示疾病可能恶化并需要更密切护理的患者来辅助临床医生。一篇综述报告称，深度学习系统通过学习过去的VF系列，成功预测了未来长达数年的VF损失 (pmc.ncbi.nlm.nih.gov)。这些尖端方法迄今已在回顾性数据上进行测试，表明AI预测疾病进展的可行性，但尚未在实践中成为常规。

实际应用中的可衡量影响和性能

多项研究证明了AI工具在临床类似环境中的实际性能。如前所述，智能手机眼底AI在大规模患者队列中实现了约91-94%的敏感性和约86-94%的特异性 (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov)。远程医疗AI项目报告了约89.7%的总体准确性 (pmc.ncbi.nlm.nih.gov)。这些数字令人印象深刻——在研究环境中，AI在筛查选择方面已与训练有素的眼科医生不相上下。重要的是，一些假阴性病例仅为轻度早期青光眼，而假阳性病例则倾向于“视盘可疑”，而非明确的正常病例 (pmc.ncbi.nlm.nih.gov)。

同等重要的是普及应用。Medios和iPredict模型等系统正在印度和其他地区推广，用于人群筛查。尽管详细的普及数据正在浮现，但初步报告（例如Remidio的推广项目）表明数百家诊所正在使用AI驱动的相机设备。AI也正进入医院工作站：多家OCT设备制造商正在集成AI分割和分析功能，以标记RNFL变薄或预测RNFL损失。在学术界，许多诊所现在正在现有数据上试用AI模型，以完善诊断。

话虽如此，AI在西方临床实践中的应用仍受限于监管批准和工作流程整合。尚未有FDA批准的AI成为青光眼筛查的标准（与糖尿病视网膜病变不同，后者已有IDx等AI系统）。然而，有前景的现场试验和同行评审验证表明进展迅速。由于青光眼筛查中的AI具有明确的公共卫生效益（在视力丧失前发现疾病），我们可以预期其中一些工具将在未来几年寻求监管批准。

新兴AI应用：展望未来

预测分析和个性化护理

青光眼AI的下一波浪潮将侧重于预测和个性化。机器学习模型可以结合临床、影像和遗传数据，预测个体视力丧失的风险，或从高眼压症转变为青光眼的风险 (pmc.ncbi.nlm.nih.gov)。例如，据称在患者病历上训练的神经网络可以识别哪些人最有可能进展。在未来几年，此类系统可以帮助医生调整治疗的积极性。想象一个AI评分，它衡量眼压、角膜厚度、种族、家族史等因素，计算“直到失明的时间”估计值——从而帮助确定治疗的优先顺序。现在存在大量数据集（来自生物样本库和眼科医院），因此AI可以学习超越简单风险因素的复杂模式。

青光眼监测和居家检测

AI也可能彻底改变监测。可穿戴眼内压 (IOP) 传感器或智能隐形眼镜正在开发中，AI可以分析其连续数据，以提醒患者危险的峰值。同样，基于智能手机的视野应用程序正在改进（例如，将视野图投射到手机上的应用程序）。当与AI结合时，这些可能成为居家青光眼检测工具。患者有一天可能在家中自行进行快速眼部检查，应用程序使用AI检测新变化并告知医生，而无需前往诊所。居家眼压测量和视力测试的早期原型已经存在，但AI驱动的分析将通过确保可靠性和标记真实恶化使其具有临床实用价值。

手术规划和结果预测

手术干预（小梁切除术、分流术、微创青光眼手术）是另一个前沿领域。AI可以通过分析数千个过往病例，帮助预测哪些患者对哪种手术反应最佳。例如，一个机器学习工具可能会了解到，具有X影像模式和Y遗传特征的患者在引流植入方面表现良好，而其他患者则更适合激光小梁成形术。这种决策支持工具正在许多领域进行研究；青光眼手术同样可以从中受益。此外，AI未来可能指导机器人眼科手术，尽管这属于更长期的目标。

视力恢复与再生——尚未开发的机遇

最激动人心的前沿领域之一是青光眼损伤后的视力恢复。目前尚无治疗方法能够再生视神经或替代受损的视网膜神经节细胞 (RGC)。然而，研究人员正在积极致力于神经保护、基因疗法、干细胞移植和假肢领域。AI才刚刚开始影响这些领域，但机遇真实存在：

• AI辅助药物发现： 一个显著的例子是2024年的一项研究，AI筛选器识别出在青光眼样应激下保护RGCs的小分子。研究人员利用大型语言模型和图神经网络，预测了RIPK3（一种细胞死亡激酶）的候选抑制剂。经过实验室测试，发现一种化合物（HG9-91-01）在急性青光眼模型中能够保护RGC结构 (pmc.ncbi.nlm.nih.gov)。事实上，该研究中所有五种AI推荐分子都有助于RGC在低氧应激下的存活，其中HG9-91-01提供了最佳保护。这种AI赋能的神经保护药物发现展示了计算方法如何加速青光眼临床前治疗的开发 (pmc.ncbi.nlm.nih.gov)。（一份科普报道将其描述为AI“辅助发现潜在的青光眼候选药物” (medicalxpress.com)。）

• 神经假肢设计： 对于已经失明的患者，视网膜或视神经植入物等技术可能提供一种恢复部分视力的方法。设计此类设备极其复杂。在这方面，AI和建模也发挥着作用。例如，2024年的一篇论文开发了一个详细的视神经和视觉大脑计算模型，以评估“视神经刺激”假肢。该团队使用机器学习模拟图像来测试视神经上的电极阵列如何可能恢复广角视野 (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov)。他们的发现表明，视神经植入物可能比目前的视网膜假肢产生更广阔的视野，更重要的是，他们提供了一个建模框架来优化电极放置和刺激策略 (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov)。这种工作展示了计算机模拟工具和AI驱动的图像处理如何指导下一代视力恢复植入物。

• 未来的基因/细胞疗法： 再生方法——如将Müller细胞重编程为RGCs、移植RGCs，或使用基因编辑重新激活生长——正处于深入的基础研究中。AI最终可以通过分析大量的遗传和分子数据集来加速这些研究。例如，2024年《Development》杂志的一篇论文进行了一项大规模CRISPR筛选，以发现控制RGC再生的基因【65†】。机器学习方法可以帮助挖掘这些复杂结果，以确定优先目标。此外，AI驱动的蛋白质设计（例如AlphaFold或生成模型）可能会为再生创造新型治疗蛋白或基因构建体。尽管此类AI应用尚未在青光眼领域报道，但基因组学和干细胞疗法领域已为AI做好准备。计算工具可能预测哪些基因组合能促进轴突再生，或优化病毒载体以实现更安全的基因递送。

目前，将AI整合到RGC再生研究中仍有限，但这代表着一个高价值的机遇。随着再生疗法（纳米颗粒、干细胞、光遗传学）的进步，AI可以帮助优化其设计和递送。例如，计算机模拟可以模拟新的RGCs如何连接到大脑，或者药物释放型隐形眼镜如何响应眼压。简而言之，AI可以为修复视神经的策略提供信息——这是一个尚未在临床上实现的目标。对“视力恢复”感兴趣的研究人员应考虑AI专家和神经生物学家之间的合作，以探索这些尚未开发的可能性。

现实时间线

保持现实态度很重要。用于筛查和诊断的AI工具已经出现——多个高性能模型已经存在并正走向临床应用。鉴于成功的试验，我们可能会在未来几年内看到FDA批准AI青光眼筛查工具。远程医疗应用程序也接近实际应用。然而，视力恢复的疗法（真正的神经再生）距离临床现实可能还有数年或数十年的时间。AI将加速科学发展，但RGC再生等疗法面临生物学障碍。同时，AI的实际收益将主要体现在早期检测和更智能的管理方面。

结论

AI已经在改善今天的青光眼护理，通过实现更快、更便宜的筛查和更准确的诊断。大量研究证实了其高准确性：例如，一款智能手机眼底AI实现了约94%的敏感性/86%的特异性 (pmc.ncbi.nlm.nih.gov)，一个远程医疗平台达到了约89.7%的总体准确性 (pmc.ncbi.nlm.nih.gov)。这些工具可以对患者进行分类并减少漏诊病例。对于患者而言，这意味着他们很快就可以在专科诊所之外进行青光眼检查——甚至通过手机。AI赋能的早期检测可以通过及时治疗挽救视力。

展望未来，AI最大的影响力可能体现在尚未应用的领域。前沿领域在于损伤后视力的保护和恢复。AI驱动的药物发现（如RIPK3抑制剂或其他）和植入物的计算建模指明了方向。高价值的研究方向包括将AI与基因组学、影像学和组织工程学相结合，以攻克神经再生问题。

总之，AI有望在未来几年内为青光眼筛查和管理带来显著的实际效益。对于科学家而言，巨大的机遇在于AI与生物学的交叉领域：利用计算模型和大规模数据推动神经保护和再生方面的突破。随着科技与医学的融合，患者和研究人员都应保持知情。基于证据的AI工具即将问世，它们将补充而非完全取代传统的青光眼护理。勤奋的验证和周到的临床实践整合将确保AI的承诺转化为更好的结果和恢复的视力。