除联邦学习外，领域自适应和合成数据增强也是提升模型泛化能力的重要方向。领域自适应可利用未标注目标中心数据，降低不同设备、不同中心和不同人群之间的数据分布差异；已有研究在DR眼底图像分类中提出多模型领域自适应方法，用于改善模型在新数据域中的分类表现。合成数据增强则可缓解罕见病灶、少数人群和高质量标注样本不足的问题。例如，生成对抗网络已被用于合成具有AMD病灶的眼底图像，也可用于生成青光眼相关OCT图像并支持模型训练。
 

对于RP等遗传性视网膜疾病，SynthEye研究进一步表明，合成数据可用于改善罕见病影像AI诊断中的样本不平衡问题。因此，眼科AI的临床转化不能仅依赖单中心内部AUC或准确率，而应建立覆盖不同设备、不同人种、不同地区和不同采集协议的前瞻性多中心验证体系。未来模型部署还需嵌入PACS、电子病历和筛查流程，并持续监测模型漂移、误诊类型及亚组公平性。只有将数据标准化、隐私保护计算、领域泛化和真实世界验证相结合，AI才能从实验室性能展示真正走向可监管、可解释、可持续更新的临床应用。
 

AI通过对多模态影像及遗传信息的深度学习，不仅可实现对青光眼、AMD、DR、RP及PM等不可逆致盲眼病的早期筛查与进展预测，更关键的是，能够对残存感光细胞层厚度、内层视网膜结构完整性以及靶细胞的可干预状态进行量化评估—这些参数是再生治疗中界定“最佳治疗窗口”与筛选“适宜人群”的重要依据。因此，AI赋能的眼病精准诊断可演化为再生治疗的前置导航系统，为临床决策提供“残存结构、干预靶点、技术选择、介入时机”的明确信息。视网膜再生治疗是眼科学领域的一个前沿研究方向，旨在恢复或改善因各种视网膜疾病导致的视力损伤。随着对视网膜发育生物学和疾病机制理解的深入以及干细胞技术、基因疗法、纳米技术和组织工程学的快速发展，视网膜再生治疗取得了显著进展。
 

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。