尽管AI在青光眼、AMD、DR、RP及PM等眼病筛查、分级和进展预测中展现出良好性能，但其真实世界落地仍面临数据域偏移的挑战。眼科数据差异主要来源于跨厂商设备、图像分辨率、采集协议、疾病谱、人种构成、地理中心及基层筛查场景中的图像质量差异。例如，一项多中心真实世界验证研究比较了7种自动化DR筛查AI系统，发现不同算法在同一真实世界数据集上的敏感性和特异性存在明显差异，提示模型进入临床前仍需独立外部验证和多中心测试。类似问题也存在于青光眼OCT结构参数分析、AMD多模态影像评估、RP罕见病数据建模及PM后极部形态识别中；尤其是不同OCT平台之间的RNFL厚度测量范围和动态范围存在差异，可能影响青光眼AI模型在外部中心的泛化能力。
 

此外，视网膜影像标准化和数据格式统一也是多中心AI建模的重要前提。针对多中心数据共享受限的问题，联邦学习为合规建模提供了可行策略。其核心思想是在各医疗机构本地保留原始数据，仅共享模型参数或梯度，从而在一定程度上兼顾隐私保护与多中心协同训练。Lo等将联邦学习用于OCT/OCTA数据中的视网膜微血管分割和可转诊DR分类，验证了其在眼科多中心协作中的可行性；Matta等进一步在多中心眼底筛查网络中应用联邦学习进行DR检测，也提示该方法有助于在不集中原始影像数据的情况下训练筛查模型。
 

出自《AI赋能的眼病精准诊断与再生治疗新进展》作者高娜，代伟，瞿佳。