npj Digital Medicine：Strabismus-Net九方位眼位照片筛查斜视，前瞻测试10458张图，筛查AUC 99.53%

九方位眼位照片做斜视筛查：AUC 99.53%与亚型分类是两件事，别混着读

事实报道 × 医院信息化/临床医生 ｜ 数据视角 × AI技术供应商/创业者 ｜ 深度研报

2026年9月29日在线发表于npj Digital Medicine的一项研究，提出两套分层诊断系统：以主位眼位照片做居家筛查，以九方位眼位深度学习架构Strabismus-Net辅助基层医生做初步诊断。研究称其使用的数据集为迄今已知规模最大的斜视眼位照片数据集。

对基层与居家场景而言，这项工作的价值不在模型本身有多新，而在于它把斜视诊断拆成了两道门槛：先判断有没有，再判断是哪一种。两道门槛对应的是两套不同的性能数字，也对应两类不同的使用者。

开场：94897张照片，先说这个数据集为什么重要

研究的规模体现在两个互相独立的数据集上。交叉验证数据集为84897张眼位照片、9433人；前瞻测试数据集为10458张照片、1162人。前者用于模型训练与验证，后者用于前向检验，二者不重叠，这是判断泛化能力的基本前提。

作者称其为迄今已知规模最大的斜视眼位照片数据集。这一表述指向的是既往公开数据集的量级比较，也解释了为什么研究会把泛化能力作为主要卖点——样本量足够大时，模型在年龄、眼位、拍摄条件上的覆盖才谈得上有代表性。

需要提醒的是，论文未给出各项指标的置信区间。公开信息中未见置信区间数据，因此不宜从摘要反推任何区间估计，也不宜把点估计之间的差异直接当作真实差异来解读。

前瞻测试这一层的意义值得单独强调。交叉验证的结果反映的是模型在同一数据分布内的表现，前瞻测试则是在模型定型之后再采集的数据上检验，两者分开报告，是判断模型是否过拟合的必要条件。10458张照片、1162人的前向规模，为本研究的结论提供了独立于训练过程的检验基础。

两层系统：居家筛查与基层初诊分开做

系统的第一层面向居家：用主位眼位照片做筛查。主位眼位即双眼平视前方的位置，拍摄要求低，非专业人员可操作，这决定了它适合家庭自测场景。

第二层面向基层医疗机构：医生使用Strabismus-Net，基于九方位眼位照片做初步诊断。九方位是斜视检查的标准体位，覆盖六个诊断眼位加正位等方向，信息量远大于单张主位照片，但拍摄与判读都需要专业训练。

模型架构为双流交叉注意力与自适应特征聚合的九方位眼位深度学习网络。双流设计对应的是左右眼或不同视角的信息分别编码，交叉注意力负责在两路特征之间建立关联，自适应特征聚合则处理九张照片之间权重不等的问题。系统还配套了集成管理平台，用于承载从拍摄到输出的流程。

分层设计的临床逻辑并不复杂：筛查要的是高敏感，尽量不漏；初步诊断要的是分型准确，尽量不误。把两件事压进一个模型，往往两头都不讨好，拆成两层之后，每层可以各自优化阈值，也更便于在基层落地时按能力分配任务。

99.53%与90.20%：筛查和亚型不是同一件事

最容易读错的一组数字在这里。筛查模型的AUC为99.53%，它回答的是一个二分类问题：这张照片提示斜视，还是不提示。

亚型分类是另一个任务，四个类别分别给出AUC：正位视97.15%、外斜视99.19%、内斜视99.11%、垂直斜视90.20%。这四个数字之间本身就有明显落差，垂直斜视一项明显低于其余三项，说明亚型判别的难度并不均匀。

把99.53%直接说成系统的整体准确率，或者拿90.20%去质疑99.53%，都属于混用两个不同口径。论文把两者分开报告，正说明它们不该被合并解读。

垂直斜视这一项的低值尤其值得单独看。90.20%在四项中最低，而它在与低年资住院医师的比较中又恰好是差异最显著的一项（P<0.001）。这说明真正拉开人机差距的，正是人类最不擅长的部分，而不是模型最擅长的部分。

比得过专家、也赢过住院医：基准是谁

研究设了两个对照基准。与三名高级专科医生相比，各亚型差异无统计学意义（P>0.05）。这句话的准确含义是「未检出差异」，不等于证明了完全等效，但至少说明在本研究条件下没有观察到统计学上的差距。

与三名低年资住院医师相比，结果更明确：垂直斜视识别显著更优（P<0.001）、正位视确认显著更优（P<0.05）。这两项恰好是临床上最容易出错、也最依赖经验的地方，尤其是垂直斜视，其亚型AUC也确实是四项中最低的。

换言之，这套系统的对标位置大致是：接近高级专科医生水平，明显优于低年资住院医师。基准只有三名医生，样本量偏小，这一点在解读时同样要计入。

两个基准放在一起，反而勾勒出了这套系统最可能被使用的位置：不在三甲医院的斜视专科，而在缺少专科医生的基层与筛查场景。与高级专科医生无差异说明它不至于拖后腿，优于低年资住院医师说明它在经验不足的场景里能真正补上缺口。这三名医生来自何处、年资如何界定，论文未给出更细的分层信息。

冷静观察：数据规模解决了泛化，真实基层场景的拍照质量还没算进去

数据规模是这项研究最扎实的部分，84897张训练验证照片与10458张前瞻测试照片的分离设计，也把泛化论证做得比较规范。但规模解决的是分布覆盖问题，不是采集条件问题。

真实基层与居家场景里，照片由谁拍、用什么设备拍、九方位是否摆到位，都会直接影响输入质量。论文未给出不同拍摄质量条件下的性能分层，公开信息中未见相关分析。

因此更稳妥的读法是：这套系统在研究条件下接近专科医生水平，但能否在真实基层工作流中稳定复现，取决于拍摄环节的工程化程度，而这恰恰是论文没有覆盖、也最需要在部署前补齐的一环。

还有一个边界要说清楚。研究人群限于接受眼位照片采集的对象，论文未给出年龄分布、合并眼病比例与转诊路径等信息，公开信息中未见这些维度的分层结果。筛查场景的阳性预测值与人群患病率高度相关，脱离人群基线谈AUC，容易高估实际收益。

对基层机构而言，落地顺序或许应当反过来：先把拍摄规范与质控做扎实，再谈模型指标。模型已经把性能做到了接近专科医生的水准，剩下的短板很可能不在算法一侧，而在从患者进门到照片上传这段流程里。

原文链接：npj Digital Medicine（Nature）

千方医数集编辑部 出品