Nature Medicine：盛斌/黄天荫团队开发眼科AI大模型，显著提升眼科医生诊疗水平和患者预后

撰文丨王聪

编辑丨王多鱼

排版丨水成文

基础模型（Foundation Model，FM）显著推进了人工智能（AI）在临床护理中的医学潜在应用。尽管这些模型在回顾性分析中表现出了强大的性能，但它们在实际临床环境中的影响仍鲜为人知。鉴于医学领域存在复杂的伦理、法律和社会挑战，此前公众的普遍共识是，AI 应作为辅助工具来增强而非取代临床医生的专业技能。

因此，以往那些仅在回顾性数据集上孤立评估 AI 模型性能的研究是不够的，因为它们忽略了真实临床环境中的人机交互。评估临床医生与 AI 协作共事时的综合表现至关重要。关键在于，缺乏严格的前瞻性验证和随机对照试验造成了循证医学方面的空白，阻碍了基础模型在各种真实临床环境中的更广泛应用。弥合这一差距对于确保基础模型达到未来潜在临床转化所需的严格标准至关重要。

2025 年 8 月 28 日，上海交通大学计算机学院 / 教育部人工智能重点实验室盛斌教授团队与清华大学医学院黄天荫教授团队合作，在Nature Medicine期刊 发表题为： An eyecare foundation model for clinical assistance: a randomized controlled trial 的重研究论文 。

该研究开发了一款多模态视觉-语言眼科基础大模型——EyeFM，研究团队通过云端协同模式前瞻性部署基于该大模型的数字化平台，在全球不同地域（涵盖亚洲、北美、欧洲及非洲）的基层及眼科医生中，前瞻性验证了该大模型对诊疗能力的提升效果。同时，研究团队还开展了一项基于中国临床真实场景的随机临床研究，实现临床自适应的健康指导与智能交互服务。

这项研究首次为AI医学领域提供了大模型赋能基层与专科诊疗的高级别循证证据，同时为未来更多可临床转化的基础模型研发与验证提供了全新范式，有效推动该类新技术从实验室研究阶段迈向临床实际应用场景。

随着对基础模型（FM）进行临床评估的需求日益增长，研究团队开发了一款多模态视觉-语言眼科护理辅助系统——EyeFM，并开展了多维度评估，包括回顾性验证、作为临床辅助工具的多国效能验证，以及双盲随机对照试验（RCT）。

EyeFM 使用来自全球多族裔数据集的五种成像模式、共 1450 万张眼部图像（配以临床文本）进行了预训练，从而具备了可高效执行多类核心临床任务的能力，全面覆盖眼科日常诊疗场景：

1、单模态影像任务：基于单一影像模态（例如 CFP、OCT）完成疾病检测（例如糖尿病视网膜病变）与病灶分割（例如眼底出血、渗出区域标注）；

2、多模态影像任务：支持跨模态诊断（例如资源有限场景下，通过低成本 CFP 预测需 OCT 确诊的中心累及型糖尿病黄斑水肿 ciDME）与集成模态诊断（融合 CFP+OCT 等多模态数据，提升青光眼、黄斑变性等复杂疾病的诊断准确性）；

3、视觉-语言任务：自动生成符合临床规范的影像报告（减少医生文书工作量），并精准响应医学问答（例如解释病变成因、给出检查/治疗建议），成为医生诊疗过程中的“智能助手”。

模型结构

回顾性验证

作为临床辅助系统的评估

在效能验证阶段，研究团队邀请了北美、欧洲、亚洲和非洲基层及专科医疗机构的 44 位眼科医生参与，验证了其作为临床辅助工具的有效性。随机对照试验采用平行、单中心、双盲设计，在中国高危人群视网膜疾病筛查中评估 EyeFM 的临床辅助效能。共 668 名参与者（平均年龄 57.5 岁，79.5% 为男性）被随机分配给 16 位眼科医生，平均分配至干预组（使用 EyeFM 辅助）和对照组（使用标准诊疗）。

主要终点显示，使用 EyeFM 辅助的眼科医生获得更高的正确诊断率（92.2% vs 75.4%）和转诊率（92.2% vs 80.5%）。次要终点显示，临床报告标准化评分有所提升（中位数 33 分 vs 37 分）。组间筛查满意度相当，但干预组在随访中表现出更高的自我管理依从性（70.1% vs 49.1%）和转诊建议接受度（33.7% vs 20.2%）。部署后评估显示良好的用户接受度。

EyeFM 作为眼科全流程辅助系统的多场景应用构想

这些结果表明，EyeFM 辅助系统（EyeFM copilot）能显著提升眼科医生诊疗水平和患者预后。

论文链接：

https://www.nature.com/articles/s41591-025-03900-7