Nature Medicine（一区，IF=52.5）Reti-Pioneer 多模态眼底 AI 框架：基于彩色眼底像多内分泌代谢病无创筛查体系

01 摘要

全球内分泌代谢疾病负担持续攀升，传统抽血、量表筛查存在侵入性、耗时久、成本高、基层难以普及等局限。眼科学（Oculomics）证实眼底微血管改变早于全身代谢病临床症状，但现有眼底 AI 仅针对单一糖尿病视网膜病变，缺乏多代谢病一体化筛查工具。本研究构建 Reti-Pioneer 多任务眼底 AI 系统，内置图像质量感知模块兼容模糊、低质基层眼底图，集成三类预训练视觉模型加权集成预测，融合年龄、种族等临床元数据实现六种代谢病同步风险评估。训练队列包含中英多中心 107730 份双侧眼底图；内部测试集六种疾病 AUROC 分别为：2 型糖尿病 0.833、痛风 0.832、骨质疏松 0.787、高血压 0.740、高血脂 0.736、甲状腺病 0.699。国内欠发达地区、三甲高资源院区、新加坡多族群三大外部队列验证模型泛化稳定；UK Biobank 纵向数据证实模型可提前 5–10 年预测新发慢病，5 年发病平均 AUROC 达 0.75 左右。社区前瞻性静默试验（1017 名受试者）显示 AI 从拍片到出具报告仅 30.6±6.0 秒，远快于抽血检验与 FINDRISC 糖尿病问卷；临床试点中 T2DM 筛查 AUROC 0.776 优于传统 FINDRISC（0.565），阴性预测值高达 0.966；蛋白组关联分析证明眼底隐特征与疾病特异性血浆蛋白显著相关，具备生物学可解释性。眼底无创 AI 一体化筛查可作为低成本、可推广的慢病初筛手段，弥补基层检验资源缺口。

02 研究背景

一、研究问题

1. 糖尿病、高血压等代谢慢病人群基数庞大，传统抽血筛查有创、等候数小时，偏远、基层医疗机构检验设备短缺，大规模人群监测难以落地。
   
   
2. 眼底微血管病变先于全身代谢病临床体征，但现有深度学习模型仅针对糖尿病眼底病变，无法同步识别多种内分泌系统疾病，缺少多任务一体化筛查框架。
   
   
3. 基层眼底拍摄设备成像质量参差不齐，白内障、散光造成大量模糊低质图像，既往 AI 直接丢弃低质片，浪费筛查样本，降低基层适用性。
   
   
4. 现有眼底模型仅单一视觉编码器，未融合年龄、体重等临床特征，且缺少跨种族、高低医疗资源多中心外部验证，同时缺乏真实社区前瞻性落地证据。
   
   
5. 多数影像 AI 为 “黑盒”，难以解释眼底特征与全身代谢疾病的生物学关联，临床医师信任度不足。
   
   

二、研究难点

1. 多任务平衡：同步完成六种完全不同代谢疾病分类预测，各疾病样本分布不均衡，需加权集成多基座模型平衡各类识别性能。
   
   
2. 低质图像适配：设计质量感知模块区分好 / 可用 / 差三类眼底图，不直接丢弃模糊样本，挖掘低质影像内有效代谢相关特征。
   
   
3. 多源异构数据融合：统一整合英国人群、国内多民族、新加坡多族群眼底数据，消除设备、散瞳 / 免散瞳、人种、病种分布混杂干扰。
   
   
4. 双层验证链条：横断面现患筛查 + 5/10 年纵向发病预测两套任务，同时开展真实社区前瞻性临床试验，兼顾离线指标与落地效率。
   
   
5. 可解释生物学验证：结合大规模血浆蛋白质组数据，挖掘眼底隐特征与疾病特异性蛋白的相关性，提供分子层面理论支撑。
   
   

三、相关工作

1. 单一眼底 AI 模型：仅用于糖尿病视网膜病变分级，无法筛查全身代谢、内分泌慢病，应用场景狭窄。
   
   
2. 传统代谢风险量表（FINDRISC 等）仅依靠人口学指标，影像信息缺失，鉴别能力弱。
   
   
3. 现有眼底预训练模型（RETFound、Swin、Vision Mamba）仅单独使用，无加权集成多模态融合框架，未配套图像质量适配模块。
   
   
4. 眼科学基础研究证实眼底血管与全身代谢通路相关，但缺乏大样本 AI 定量验证与临床落地试验。
   
   
5. 既往眼底 AI 仅单中心回顾验证，缺少欠发达地区、多族群外部队列，无真实社区前瞻性效率对比数据。

03 模型设计

一、总体思路

构建 Reti-Pioneer 一体化眼底多任务筛查框架：1）质量感知模块对眼底图像分级并提取质量特征；2）Swin Transformer、Vision Mamba、RETFound 三类冻结预训练视觉主干并行提取眼底隐特征；3）双线性模块融合图像特征、图像质量、年龄 / 性别 / 体重等临床元数据；4）多模型加权 Soft 投票输出六种代谢病联合风险概率。研究分为模型离线多队列验证、UK Biobank 长期纵向发病预测、社区静默效率试验、真实临床试点四大模块，同时开展蛋白组关联分析解释模型生物学依据。

图 1 Reti-Pioneer 完整网络架构、数据采集与全试验流程图

二、数据集划分

1. 训练集：英国 UKB + 国内三家三甲医院，共 53865 受试者、107730 张双侧眼底图；
   
   
2. 外部横断面验证集：①国内欠发达地区（西藏 / 新疆 / 广西）；②国内体检三甲高资源院区；③新加坡 SEED 多族群队列，合计 11616 人、23232 张图像；
   
   
3. 纵向预测集：UKB 时序留存队列 15704 人，基线无慢病，随访 5/10 年新发疾病；
   
   
4. 前瞻性试验集：静默试验 1017 名社区体检者；临床试点 606 名常规就诊居民。
   
   

三、Reti-Pioneer 核心模块

1. 图像质量感知子网络：自动输出优质 / 可用 / 劣质三类评分，提取质量特征参与融合，保留低质影像有效信息；
   
   
2. 三主干冻结预训练编码器：Swin Transformer、Vision Mamba、RETFound 分别提取多层次眼底解剖与微血管特征；
   
   
3. 双线性特征融合单元：眼底视觉特征 + 图像质量特征 + 人口临床特征融合；
   
   
4. 多任务预测头：每类疾病独立分类分支，三模型加权 Soft 投票统一个体患病风险；
   
   
5. 可解释模块：集成梯度显著性热力图标注眼底关键病变区域。
   
   
   
   
   

图2 质量感知模块与三大预训练主干详细结构图

04 实验设置

一、训练硬件与参数

RTX3080 10G 显卡，PyTorch 框架，AdamW 优化器、余弦退火学习率；视觉基座全程冻结，仅融合层与分类头微调；输入双侧眼底成对图像。

二、对照基线

1. 消融对照：仅优质图像训练模型、无质量模块全图模型、单视觉主干模型；
   
   
2. 临床对照：FINDRISC 糖尿病风险问卷；
   
   
3. 性能基准：单 Swin、单 Vision Mamba、单 RETFound 独立模型。
   
   

三、评价指标

1. 离线指标：AUROC、灵敏度、特异度、PPV、NPV、Brier 评分、校准曲线、决策曲线 DCA；
   
   
2. 纵向预测：5/10 年发病各病种分层 AUROC；
   
   
3. 临床试验：单例报告生成耗时、医师 / 受试者满意度、支付意愿；
   
   
4. 生物学指标：OPLS-DA 隐特征、血浆蛋白皮尔相关、PRS 多基因评分关联。
   
   

四、试验规范

静默试验 AI 结果对医患双盲，不干预临床诊疗；临床试点开放 AI 报告供医师参考，同步问卷收集医患使用体验。

05 结果与分析

一、内部模型基线性能

内部测试集六种代谢病 AUROC：T2DM 0.833、痛风 0.832、骨质疏松 0.787、高血压 0.740、高血脂 0.736、甲状腺病 0.699；消融实验证明质量感知模块 + 多模型集成可显著提升全部病种 AUROC（DeLong 检验 P<0.05）。

表 1 有无质量模块、单 / 多主干消融实验 AUROC 对比

二、多外部队列泛化结果

欠发达地区外部集骨质疏松 AUROC 最高达 0.904；新加坡华人、马来、印度亚组高血压 AUROC 稳定 0.73–0.77 区间，跨人种、设备、图像质量鲁棒性强；校准曲线贴近理想 45° 线，DCA 显示全风险区间模型具备临床净获益。

图 3 四类外部队列六种疾病 ROC、校准曲线、决策曲线

三、UK Biobank 纵向发病预测

5 年新发慢病平均 AUROC≈0.75，10 年略有回落但仍具备区分能力；剔除首年确诊病例敏感性分析结论不变，模型可提前数年识别代谢高危人群。

图 4 5/10 年纵向预测 ROC 与决策曲线

四、社区前瞻性静默试验

单例眼底拍片至 AI 报告仅 30.6±6.0 秒；传统抽血检验耗时 7–8 小时，FINDRISC 问卷平均 126 秒，AI 效率优势极显著（P<0.001）；图像采集、AI 推理成功率接近 100%。

五、临床试点诊断性能

T2DM Reti-Pioneer AUROC 0.776，显著优于 FINDRISC 0.565（P<0.001），阴性预测值高达 0.966；高血压、骨质疏松 AUROC 最优，甲状腺疾病区分能力偏弱；超过 80% 受试者对系统使用满意度高，临床医师工作流适配评分均值> 4.4/5。

六、生物学可解释验证

眼底 OPLS-DA 预测成分与 SCARA5、PLA2G7 等疾病特异性血浆蛋白显著相关（校正混杂后多数 P<0.001）；多基因 PRS 仅低密度脂蛋白相关评分弱关联，证实眼底影像捕捉独立代谢生物信号。

06 结论

Reti-Pioneer 融合图像质量感知与多预训练视觉基座，仅依靠无创彩色眼底照片即可同步完成六大内分泌代谢疾病一体化筛查，兼顾优质与基层低质眼底图像，跨人种、高低医疗资源地区泛化性能稳定。离线横断面、5–10 年纵向队列双重验证模型可精准识别现患与远期高危人群；真实社区前瞻性试验证明 AI 筛查耗时仅数十秒，远优于抽血、传统量表，且糖尿病鉴别能力优于 FINDRISC 问卷，阴性预测值高适合大规模人群初筛。血浆蛋白质组分析明确眼底微血管特征与全身代谢分子通路关联，解决 AI 黑盒痛点；医患接受度良好，硬件门槛低，适合基层、偏远资源匮乏地区普及慢病筛查。局限为甲状腺疾病识别精度偏低，未纳入心脑血管等重症慢病；仅回顾 + 社区试点，缺少长期随机对照评估筛查对患者远期预后的改善效果

07 论文评价

✅方法创新亮点

⚠方法不足

模型对甲状腺疾病区分效能偏低；训练人群以欧美、东亚亚裔为主，非洲、拉美族群泛化效果未验证；仅使用静态眼底二维图像，未结合 OCT、眼底荧光造影等模态；纵向分析仅二元发病分类，未采用生存模型精准预测发病时间；缺少长期随机对照研究证明眼底 AI 筛查可降低慢病远期并发症、死亡率；未纳入冠心病、脑卒中、慢性肾病等重要全身性疾病筛查任务；多基因评分关联较弱，模型代谢特征分子机制仍需更深实验挖掘。

08 参考资料

Article:

编辑：陈宣辰

审核：吴朝