We're sunsetting PodQuest on 2025-07-28. Thank you for your support!
Export Podcast Subscriptions
Real-World Performance of AI in Screening for Diabetic Retinopathy
2025/4/18
JAMA Medical News
A
Arthur Brant
S
Sunny Virmani
Arthur Brant: 我是一名眼科医生，参与了这项关于人工智能在糖尿病视网膜病变筛查中真实世界表现的研究。这项研究的意义在于，它评估了在真实世界环境中，人工智能模型的性能是否与之前实验室研究中的结果一致。糖尿病视网膜病变是一个严重的公共卫生问题，在美国和印度，许多患者未能得到及时的筛查。这项研究使用了在印度部署的AI系统，对60万名患者进行了筛查，并对其中1%的样本进行了人工复核。结果显示，该模型在真实世界环境中的表现良好，能够准确识别需要立即就诊的严重患者，并且在模型漂移方面也表现出较好的稳定性。虽然模型存在一定的假阳性率，但相比于完全依靠人工筛查，这仍然是一个巨大的进步。
此外，这项研究也揭示了在真实世界环境中部署AI模型时需要注意的一些问题，例如：模型的灵敏度和特异性设置需要根据当地的实际情况进行调整；需要考虑诊所的准备程度、技术人员的培训以及患者的配合程度等因素；需要关注整个医疗流程，包括数据输入、输出结果的处理以及潜在的瓶颈问题。
Sunny Virmani: 我是谷歌健康人工智能产品团队的负责人，参与了这项关于人工智能在糖尿病视网膜病变筛查中真实世界表现的研究。我们的研究旨在评估AI模型在真实世界环境中的性能是否与之前研究中一致，并关注其在更大规模、更复杂环境中的安全标准是否得到维持。在印度，大约一半的糖尿病患者甚至不知道自己患有糖尿病，这使得糖尿病视网膜病变的筛查面临巨大挑战，不仅在于筛查本身，还在于患者对自身疾病的认知和获取医疗服务的途径。AI技术可以改善偏远地区患者获得眼科医生服务的途径，因为他们不必长途跋涉到大型医院进行筛查。
AI模型的性能漂移可能由多种因素造成，包括患者群体特征的变化、摄像设备的更新换代以及操作人员技术水平的差异等。真实世界中的图像数据通常包含各种病理情况，而之前的研究通常会排除这些情况，这可能会导致模型性能在真实世界环境中下降。为了确保AI模型在真实世界中的有效性，我们主动收集了数据并进行人工复核，以便及时发现和解决问题。除了模型本身的性能，还需要考虑诊所的准备程度、技术人员的培训以及患者的配合程度等因素，才能确保AI模型在真实世界环境中的成功应用。
Deep Dive
Diabetic retinopathy is a significant public health issue, affecting millions worldwide. Current screening rates are far below recommended levels, particularly in countries like India. The study highlights the challenges of access to care and the need for innovative screening methods.
- Diabetic retinopathy is a leading cause of preventable blindness.
- Screening rates are insufficient in the US and even lower in other countries like India.
- Access to care, including ophthalmologists and appropriate equipment, is a major barrier to effective screening.
Shownotes Transcript