不散瞳拍眼底，AI在基層診間篩出需轉診的黃斑部病變

年齡相關性黃斑部退化（AMD）早期可能沒有明顯症狀，等到中央視力受損才就醫，保留視力的機會往往已經縮小。若能在家庭醫學科或一般診所拍攝眼底影像，當場找出需要轉介眼科的人，篩檢便可能不再受限於專科門診。刊於《Scientific Reports》的前瞻性研究，為這條臨床路徑提供了較貼近真實場域的效能資料。

研究團隊在紐約市三間基層醫療診所及三間一般眼科診所招募845名50歲以上、未曾被診斷AMD的成人。受試者先以非散瞳眼底相機拍攝雙眼彩色影像，交由iPredict-AMD分析；另行拍攝散瞳影像，再由三名眼科醫師獨立分級，以多數判定作為比較標準。經排除不符資格、既往已有AMD及未完成程序者後，696人進入主要終點分析，其中339人來自基層診所、357人來自眼科診所。

iPredict-AMD要回答的不是完整診斷，而是較務實的轉診問題：影像是否顯示超過早期AMD，也就是中期或晚期、應由眼科醫師進一步評估的病變。系統在受試者層級的曲線下面積（AUC）為0.92，敏感度90.27%、特異度83.36%；113名依專家判讀屬於需轉診者中，系統正確找出102人，仍漏掉11人。研究並報告陰性預測值為97.79%，但這項數字會隨受檢族群的疾病盛行率改變，不能直接套用到所有場域。

操作流程刻意貼近一般診所：影像不需先散瞳，完成品質檢查後上傳雲端，由五個深度學習模型共同判讀，約一分鐘內回傳「轉診」、「暫不轉診」或「影像品質不足」。模型以AREDS研究的116,875張眼底照片開發；這次則以前瞻性收案和獨立眼科判讀，檢驗它離開既有資料集後的表現。試驗登錄原先預估招募1,000人，最終論文報告845人，且主要分析再減至696人，是解讀結果時不能忽略的落差。

這套工具的定位也劃出了限制。它只針對AMD轉診需求訓練，不能因為把其他異常影像判為需轉診，就被視為能診斷糖尿病視網膜病變、高度近視或視網膜前膜。所有中心又集中在同一城市，使用一致的眼底相機與雲端流程；換到不同族群、設備、網路條件及醫療轉介制度後，敏感度與特異度是否維持，仍需外部前瞻性研究回答。

研究顯示的是篩檢準確度，尚未證明導入系統能提高眼科就診率、縮短治療延誤或減少視力喪失。論文也未等同於主管機關已核准產品上市。這項工作獲美國國家衛生研究院小型企業創新研究計畫資助，通訊作者任職於開發商iHealthScreen並持有相關影像篩檢專利；未來若要走進常規醫療，除了跨地區驗證，還須交代影像失敗率、誤轉診負擔、資料治理、成本效益與監管定位。