相似案例
AI企业应用案例集
← 案例
泰国医疗健康与生命科学2018 – 进行中

泰国公共卫生部（Thailand Ministry of Public Health，国家糖尿病视网膜病变筛查项目）

与Google Health合作开发的基层诊所深度学习眼病筛查

AI眼病筛查工具在7,651名泰国患者中的表现与视网膜专科医生相当，但乡村诊所护士面临图像质量和网络缓慢问题

进行中独立研究

问题

糖尿病视网膜病变可能导致失明，泰国患者往往需要等候四至五周才能获得眼科医生的检查结果。每年接受筛查的糖尿病患者不足一半。

方法

Google Health的深度学习系统对泰国国家筛查项目中基层诊所护士拍摄的视网膜照片进行分级，视网膜专科医生复核每张图像，以保障安全。一项前瞻性研究于2018年12月至2020年3月在九个地点开展。另一项实地研究观察了巴吞他尼府和清迈府十一家诊所的护士。

主要数据

91.4% vs 84.8%前瞻性研究中，深度学习系统与复核图像的视网膜专科医生对威胁视力疾病的检出敏感度独立研究[1]
7,651九个基层医疗点符合分析条件的患者数量（31.5%被转诊）独立研究[1]
200 to 100据TechCrunch对实地研究的解读，一家诊所在网络中断两小时后一天内完成筛查的患者数量独立研究[3]

启示

系统在诊所中保持了准确性，但实地研究发现，缺少足够昏暗的房间、图像模糊和网络条件差限制了使用。研究作者表示，扩大应用前，必须根据各地条件调整工作流程。

分类

业务职能
生产与质量
创新类型
流程创新
依据
独立研究

来源

  2. A Human-Centered Evaluation of a Deep Learning System Deployed in Clinics for the Detection of Diabetic Retinopathy
    ACM CHI Conference on Human Factors in Computing Systems (via Google Research)2020年研究论文或报告

来源摘要

[1]The Lancet Digital Health (via Google Research)2022年

研究人员于2018年12月至2020年3月在泰国九个基层医疗点开展了前瞻性研究。接受筛查的7,940名患者中，7,651名符合纳入条件。对于威胁视力的疾病，系统的敏感度为91.4%、特异度为95.4%，视网膜专科医生对应为84.8%和95.5%。作者表示，系统表现与专科医生相当，扩大应用时需重视工作流程。

[2]ACM CHI Conference on Human Factors in Computing Systems (via Google Research)2020年

研究人员观察并访谈了泰国十一家诊所的护士。资源有限的诊所难以获得符合模型质量门槛的图像，筛查流程和患者体验影响了工具的实际表现。

[3]TechCrunch2020年4月27日

TechCrunch概述了这项实地研究。仅有两家诊所的房间足够昏暗，能够拍出良好图像；网络缓慢时上传需60至90秒，一次两小时的断网使一家诊所的筛查人数从200人减半至100人。系统拒绝接受模糊或过暗的图像，令护士感到挫败。

详细内容请参阅原始来源。

收录日期 2026年10月25日 · 更新日期 2026年10月25日
打开案例页面 ↗