一张眼底照锁定致病基因：Nature Medicine发表Retina4IRD多中心随机试验，AI辅助遗传性视网膜病诊断准确率提升21个百分点

一、研究背景

遗传性视网膜疾病（Inherited Retinal Diseases, IRD）是导致儿童及青壮年失明的主要原因之一，全球累计影响超过500万人。目前已有300多个基因被证实与IRD相关，精准的基因诊断是选择靶向治疗、评估预后及遗传咨询的关键第一步。

然而，IRD的诊断面临严峻挑战。现行诊疗路径严重依赖资源密集型方法——需要在专业中心由多学科团队协作完成全面的眼科评估、下一代测序（NGS）和家系分离分析。这一复杂流程导致诊断周期长、费用高、可及性有限，超过40%的IRD患者无法获得明确的基因诊断。在全球范围内，擅长解读IRD的眼科专家严重短缺，资源匮乏地区误诊或诊断延迟超过5年的情况十分常见。这类延误可能导致患者错失基因疗法的关键治疗窗口，甚至阻碍临床试验入组。

二、研究创新点

2026年7月24日，上海交通大学医学院附属第一人民医院孙晓东教授、清华大学医学院黄天荫教授、上海交通大学盛斌教授团队在Nature Medicine发表了一项里程碑式研究，开发了名为Retina4IRD的AI临床决策支持系统（CDSS）。

该研究的创新性体现在三个层面：

1. 临床级随机对照试验（RCT）验证：不同于多数回顾性AI研究，Retina4IRD在300名疑似IRD患者中完成了1:1随机对照临床试验，这是IRD领域少数经过RCT证实的AI系统之一。

2. 跨区域跨人种泛化验证：训练及外部验证数据覆盖中国、韩国、波兰三国的1843名基因确诊患者（3376只眼），确保了模型在不同种族和医疗体系下的稳健性。

3. 真实临床工作流嵌入：Retina4IRD定位于基因检测前的辅助决策工具，直接嵌入临床工作流程，帮助医生在等待NGS结果期间锁定最可能的致病基因，而非取代基因测序。

三、技术原理

Retina4IRD基于Vision Transformer（ViT）架构构建，采用RETFound基础模型进行预训练。RETFound是一个在大量无标注眼底照片和OCT图像上通过掩码自编码（Masked Autoencoding）预训练的视网膜基础模型，能够学习通用的视网膜视觉表征。

在RETFound预训练权重基础上，研究团队使用多模态数据对模型进行微调，输入包括：

• 彩色眼底照片（Color Fundus Photographs）
• 光学相干断层扫描（OCT）

模型的任务是预测17种IRD基因型类别，输出一个从Top-1到Top-5的概率排序短名单。Vision Transformer的核心机制是将图像划分为固定大小的patch，通过多头自注意力机制学习patch之间的全局依赖关系，从而捕捉不同基因突变在视网膜各层结构中造成的细微形态学差异。

四、实验结果

回顾性验证

随机对照临床试验

300名疑似IRD患者按1:1随机分配至AI辅助组或仅医生组，295名获NGS报告的参与者（中位年龄33岁）进入最终分析。

结果表明，AI辅助使专科医生的Top-5基因诊断准确率提升了21.2个百分点，同时显著优化了后续的治疗方案推荐、随访间隔设定、遗传咨询转诊和系统性评估等管理决策。

五、应用前景

Retina4IRD的临床价值体现在多个维度：

• 缩短确诊周期：在等待基因测序结果（通常需数周）期间，帮助医生锁定最可能致病基因，减少不必要的检测项目，为患者争取宝贵的治疗窗口。
• 下沉优质医疗资源：让不具备遗传专科医生的基层医院也能获得高水平的基因诊断参考，缓解罕见病诊断的"专家荒"。
• 加速临床试验入组：高效筛选潜在入组患者，为基因治疗和药物研发提供精准的患者分层工具。
• 拓展至全病程管理：未来结合更丰富的多模态信息和更广泛的人群数据，有望发展为覆盖遗传筛查、精准诊断、治疗推荐和长期随访的全流程AI眼科诊疗平台。

六、结论

Retina4IRD代表了AI临床决策支持系统从"算法展示"走向"临床验证"的关键一步。通过多中心外部验证和随机对照试验的黄金标准设计，该研究证明AI辅助可以实质性提升复杂罕见病的基因诊断准确率，并改善下游临床管理决策。尽管当前模型覆盖17类基因型（约占临床病例的60%），且仍需更多跨国家前瞻性研究验证长期价值，但Retina4IRD已经为"AI驱动精准医疗"从概念迈向落地提供了坚实证据。

对于中国的医疗AI行业而言，这项由国内顶尖团队主导、发表在Nature Medicine的多中心RCT研究，标志着中国在眼科AI精准诊疗领域已进入国际领先行列。

参考文献

1. Jia H, Qian B, Qu Y, et al. AI-based clinician decision support system for diagnosis of inherited retinal diseases: a multicenter, randomized trial. Nature Medicine, 2026. DOI: 10.1038/s41591-026-04545-w | PMID: 42498742
2. Zhou Y, Chia MA, Wagner SK, et al. A foundation model for generalizable disease detection from retinal images. Nature, 2023;622:156–163. DOI: 10.1038/s41586-023-06555-x
3. Issa M, Sukkarieh G, Gallardo M, et al. Applications of artificial intelligence to inherited retinal diseases: A systematic review. Survey of Ophthalmology, 2025;70(2):255–264. DOI: 10.1016/j.survophthal.2024.11.007