使用不确定性感知 Vision Transformer 跨多民族近视和非近视人群检测青光眼：多中心模型开发与验证研究

背景：基于人工智能（AI）的彩色眼底照片（CFP）青光眼检测有望实现可规模化筛查，但由于真实标签定义、人群特征以及高度近视（HM）等共存情况存在差异，其在外部数据集上的性能可能下降。我们开发并验证了一种基于 Vision Transformer 的深度学习（DL）模型，用于在伴有或不伴有 HM 的多民族队列中检测青光眼。方法：我们使用 56,483 张 CFP（其中 57.1% 来自近视眼，14.4% 来自 HM 眼）开发了一个带有预测不确定性估计功能的 ViT-B/16 模型。利用临床、影像学和视野检查数据对青光眼标签进行了标准化。该模型在来自三大洲的 16 个独立数据集上进行了验证，其中包括 4 个明确标注 HM 的数据集。结果：内部验证的 AUROC 为 98.7%（95% CI 98.2%–99.1%），敏感度为 94.5%，特异度为 97.3%。在来自 8 个国家的 16 个外部数据集中，AUROC 范围为 86.4%–99.6%。在 HM 眼中，内部验证的 AUROC 为 97.8%（95% CI 96.1%–99.2%），敏感度为 94.8%，特异度为 93.7%。在外部 HM 数据集中，Beijing Eye Study 的 AUROC 为 86.5%；来自台湾、泰国和韩国的医院数据集 AUROC 分别为 93.3%、91.8% 和 85.5%。在一项探索性 HM 临床评估中，该模型仅使用 CFP 的诊断准确率高于眼科医师和受训分级人员（92.0% 对 70.0%；p=0.008），并且其表现与使用完整临床信息的青光眼专科医师相当。解读：该模型在多民族近视和非近视人群中均展现出稳健的青光眼检测能力，有望支持 HM 高发地区的 AI 辅助筛查。