眼睛这个变化，是心脏在求救！5分钟，完成1次心脏风险评估

*仅供医学专业人士阅读参考

“眼睛是心灵的窗户”具象化了。

用药小妙招

整理：医学界报道组

引言：百年前的预言，通过科技新生

“视网膜动脉狭窄可能预示着肾脏与大脑相关的全身性动脉疾病……”1898年，苏格兰医师Marcus Gunn写下的这段话，如今听来仍令人惊叹其远见（图1）。一个多世纪后的今天，随着人工智能（AI）技术的爆发式发展，这位医学先贤的预言正逐渐成为现实——通过一张简单的眼底照片，AI不仅能诊断眼疾，更能精准预测你的心脏健康风险。

图1 百年前的预言

韩国延世大学医学院的Sungha Park教授在2025年ESC大会上分享了“视网膜扫描与心血管疾病之间的联系”这一话题（图2），并明确地表示：“视网膜是人体唯一能够直接、无创观察微血管的部位。”

图2 Park教授在ESC现场讲课

眼睛，是通往心血管的窗口

为什么视网膜能够成为心血管疾病的预测窗口？答案藏在它的特殊性中。

这扇“窗口”的价值，早已被我们所察觉。医生们通过眼底镜观察到的各种异常——出血、微动脉瘤、棉絮斑、动静脉交叉征、局灶性小动脉狭窄等，均被证实与高血压、糖尿病、颈动脉疾病、脑卒中、冠心病等系统性疾病存在显著关联[1]。

但Park教授也指出，传统眼底检查高度依赖医师经验，不同医师对同一图像的判断可能存在差异，特别是对动静脉交叉征和局灶性小动脉狭窄的判定。

AI“读图”，看到人眼看不到的信息

当人类专家的判断存在主观差异时，AI带来了解决方案。

2018年，谷歌科学家在Nature子刊发表研究[2]，证明了AI仅通过眼底照片就能预测多种如年龄、性别、BMI、糖化血红蛋白、吸烟状态、收缩压和舒张压等心血管危险因素。令人惊讶的是，AI对性别判断的曲线下面积（AUC）值高达0.97，而人眼几乎不可能从眼底图像判断性别。这其实也告诉我们：AI能从眼底中提取出人眼难以察觉的信息。

此后，全球多个研究团队纷纷投身这一领域，无一不印证了眼底照片AI分析可作为一种无创、便捷的心血管风险筛查工具。

韩国首尔大学的研究团队开发出基于视网膜眼底图像预测心血管死亡风险的AI模型[3]。将该模型应用于3.2万余名受试者后发现，算法判定的高分组心血管死亡率是低分组的8倍。

图3 评分越高，心血管死亡风险显著增加

Park教授团队则利用深度学习技术，开发出能从眼底照片预测冠状动脉钙化积分的算法——RetiCAC评分[4]。研究涉及包括延世大学健康筛查中心、新加坡眼科研究所流行病学眼病研究（SEED）和英国生物样本库（UK Biobank）在内的五大数据库，超过10万张图像。“结果显示，RetiCAC评分与冠状动脉钙化积分一样，能有效预测心血管事件风险，且在预测钙化积分方面，甚至优于年龄等传统风险因素。”Park教授介绍。

图4 RetiCAC评分能有效预测心血管事件风险

五分钟，完成一次心脏风险评估

这一技术不仅停留在研究层面，已开始走向临床应用。

2023年，韩国食品药品监督局批准了基于AI的视网膜心血管风险评估系统用于临床（图5），并已启动为期四年的医保报销评估流程。在实际应用中，这套系统展现出显著优势：无需散瞳，占用空间小，非专家也可操作，五分钟内即可获得包括心血管风险和视网膜异常在内的完整报告。

图5 视网膜心血管风险评估系统已用于临床

Park教授分享了一个真实案例：一名46岁女性，患有未控制的高血压和显著蛋白尿，虽然肥胖并伴有左心室肥厚，但基于传统风险因素计算的ASCVD风险评分仅为2.7（低风险）。然而，AI视网膜评估将其列为高风险，并发现双侧高血压性视网膜病变。基于这一结果，Park教授在降压治疗基础上加用了他汀类药物，进行更积极的一级预防。

当然，这一技术仍需在不同种族群体中进一步验证。目前，由新加坡牵头的国际研究组正在开展大规模验证研究，结果令人期待。

小结

从Marcus Gunn医师一个多世纪前的敏锐观察，到今天AI驱动的高精度风险评估，视网膜作为“心血管之窗”，作为唯一可在体内直接观察微血管的部位，其各种异常与临床和亚临床心血管结局紧密相连。基于眼底照片和血管特征的深度学习系统，也许能成为提供更精确更便捷心血管风险分层的工具。

正如Park教授所言：“我们正在见证一个全新领域的诞生——通过一张简单的眼底照片，不仅能守护患者的视力，更能预警他们的心血管健康。”

参考文献：

[1]van den Born BJ, Hulsman CA, Hoekstra JB, Schlingemann RO, van Montfrans GA. Value of routine funduscopy in patients with hypertension: systematic review. BMJ. 2005 Jul 9;331(7508):73. doi: 10.1136/bmj.331.7508.73. PMID: 16002881; PMCID: PMC558610.

[2]Poplin R, Varadarajan AV, Blumer K, Liu Y, McConnell MV, Corrado GS, Peng L, Webster DR. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nat Biomed Eng. 2018 Mar;2(3):158-164. doi: 10.1038/s41551-018-0195-0. Epub 2018 Feb 19. PMID: 31015713.

[3]Chang J, Ko A, Park SM, Choi S, Kim K, Kim SM, Yun JM, Kang U, Shin IH, Shin JY, Ko T, Lee J, Oh BL, Park KH. Association of Cardiovascular Mortality and Deep Learning-Funduscopic Atherosclerosis Score derived from Retinal Fundus Images. Am J Ophthalmol. 2020 Sep;217:121-130. doi: 10.1016/j.ajo.2020.03.027. Epub 2020 Mar 25. PMID: 32222370.

[4]Rim TH, Lee CJ, Tham YC, Cheung N, Yu M, Lee G, Kim Y, Ting DSW, Chong CCY, Choi YS, Yoo TK, Ryu IH, Baik SJ, Kim YA, Kim SK, Lee SH, Lee BK, Kang SM, Wong EYM, Kim HC, Kim SS, Park S, Cheng CY, Wong TY. Deep-learning-based cardiovascular risk stratification using coronary artery calcium scores predicted from retinal photographs. Lancet Digit Health. 2021 May;3(5):e306-e316. doi: 10.1016/S2589-7500(21)00043-1. PMID: 33890578.

医学界心血管领域交流群正式开放！

加入我们吧！

责任编辑：银子

*"医学界"力求所发表内容专业、可靠，但不对内容的准确性做出承诺；请相关各方在采用或以此作为决策依据时另行核查。