一、AI赋能早期筛查：从技术验证到临床普惠
糖尿病视网膜病变作为糖尿病最常见的微血管并发症，其早期筛查的覆盖率与准确性直接影响患者视力预后。传统筛查依赖人工阅片，存在效率低、漏诊率高、基层医疗资源不足等痛点。AI技术的引入，通过自动化分析与多模态融合，正在重构DR筛查的技术范式。
1.1 自动视网膜成像分析系统（ARIAS）的规模化应用
ARIAS系统通过深度学习算法对眼底图像进行自动化分析，其核心优势在于高诊断效能与跨人群普适性。多项大规模临床研究显示，主流ARIAS商用系统对中重度及增殖期DR的检测敏感性超过95%，且不受年龄、种族等变量影响。例如，某跨国研究覆盖超20万例真实世界数据，验证了ARIAS在基层医疗场景中的分诊价值——其可将疑似病例快速分流至专科医生，显著缩短诊断周期。
成本效益分析进一步证实了ARIAS的推广价值。基于深度学习的模型在威胁视力DR检测中，AUC（曲线下面积）达0.974，表明其具备接近专家水平的诊断能力。在高收入国家，AI筛查可降低约30%的医疗支出，主要源于减少人工阅片成本及避免晚期治疗的高昂费用。
1.2 多模态眼成像模型的临床落地
单一眼底照相的局限性促使多模态融合成为研究热点。国内研发的EyeFM基础大模型，整合了彩色眼底照、光学相干断层扫描（OCT）、超广角眼底照等五种核心影像模态，通过视觉-语言预训练技术实现三大功能：
- 精准病变识别：可区分微动脉瘤、硬性渗出、新生血管等早期病变；
- 自动报告生成：输出符合临床规范的诊断报告，减少医生文书工作；
- 医学问答交互：支持医生通过自然语言查询病变特征及鉴别诊断依据。
全球多中心随机对照试验（RCT）表明，EyeFM在基层医疗中的诊断准确率较传统方法提升22%，尤其对稀有病变的识别能力显著增强。另一项研究提出的EyeCLIP模型，通过多模态对比学习解决了数据稀缺问题，例如在吲哚青绿血管造影（ICGA）模态缺失时，仍能通过其他影像推断病变类型。
1.3 视网膜作为全身健康窗口的拓展价值
AI不仅关注DR本身，还通过解析视网膜厚度图谱探索其与全身疾病的关联。例如，视网膜神经纤维层（RNFL）厚度变化与阿尔茨海默病、帕金森病等神经退行性疾病存在显著相关性；视网膜血管直径与高血压、心血管疾病的风险评分高度一致。此外，AI可识别基因组变异（如VEGF基因多态性）与代谢物（如乳酸水平）在视网膜中的表达模式，为DR的个性化治疗提供生物标志物。
1.4 标准化与伦理：技术落地的最后一块拼图
AI-DR筛查的规模化推广面临两大挑战：
- 数据标准化：传统视网膜成像缺乏统一的DICOM标准，导致不同设备生成的图像在格式、分辨率上存在差异，增加了AI模型跨中心训练的难度。某标准化数据集（如AI-READI）的推出，通过定义图像标注规范与数据格式，为多中心研究提供了统一基准。
- 伦理与监管：AI的“黑匣子”效应、数据隐私泄露风险及算法偏见问题需通过多方协同解决。例如，某监管框架要求AI模型在部署前需通过可解释性测试，确保医生能理解诊断依据；同时，采用联邦学习技术实现数据“可用不可见”，保护患者隐私。
二、机制解析与靶点研发：从病理网络到精准干预
DR的发病机制涉及免疫、代谢、神经血管等多系统交互，传统单靶点治疗疗效有限。2025年，基础研究在病理网络解析、生物标志物发掘及新型靶点开发方面取得突破，为精准诊疗奠定基础。
2.1 免疫代谢轴的调控机制
高糖环境通过单核细胞外泌体传递骨膜蛋白（Periostin），激活HIF-1α（缺氧诱导因子-1α）通路，驱动视网膜新生血管生成。这一发现揭示了DR炎症与缺氧的耦合机制，为抗VEGF治疗提供了理论补充。此外，GLP-1受体激动剂（如利拉鲁肽）被证实可通过抑制STING（干扰素基因刺激因子）通路，减少血管内皮细胞凋亡，为糖尿病合并DR患者提供了一药多效的治疗选择。
2.2 肠-眼轴的代谢互作
肠道菌群代谢产物吲哚-3-丙酸（IPA）被鉴定为DR进展的标志物。研究发现，DR患者肠道中产IPA的菌群丰度显著降低，导致视网膜中HIF-2α表达上调，破坏血-视网膜屏障。这一发现不仅拓展了DR的代谢认知，还为益生菌干预提供了潜在靶点。例如，某临床试验正在评估补充IPA前体（色氨酸）对早期DR的延缓作用。
2.3 低血糖的双重角色
传统观点认为低血糖是糖尿病治疗的短期风险，但新研究揭示其长期危害：反复低血糖通过HIF-1α/2α异源二聚体破坏血-视网膜屏障，加速视网膜病变进展。这一机制解释了为何严格控糖患者仍可能发生DR，强调了血糖波动管理的重要性。
三、未来展望：AI驱动的DR诊疗生态
随着AI技术的成熟，DR诊疗正从“单一疾病管理”向“全身健康评估”转型。未来，以下方向值得关注：
- 可穿戴设备与居家筛查：结合智能眼镜与手机眼底相机，实现DR的居家初筛；
- 多组学整合分析：融合基因组、代谢组与影像组数据，构建DR风险预测模型；
- 真实世界数据（RWD）研究：利用电子健康记录（EHR）与医保数据，优化AI模型的泛化能力。
DR的诊疗革新不仅是技术的突破，更是医疗模式的重构。AI与多学科交叉研究的深度融合，正在为这一全球性公共卫生问题提供更高效、更普惠的解决方案。