Deya 与 ICO 启动智能手机眼部成像 AI 训练研究

Deya Imaging 在与 Illinois College of Optometry 合作赞助一项研究后获得 Google News 关注，但该项目尚未产出临床结果。

这项研究将持续至 2026 年底，收集眼部疾病和隐形眼镜相关发现的智能手机图像。临床医生将为这些图像标注，以建立人工智能训练数据库。Deya 表示，所得模型将支持眼科医生进行远程分诊和随访护理。

这一顺序很重要。一套有前景的医疗 AI 系统始于数据收集，而不是精准模型或经临床验证的产品。因此，这项公告标志着 Deya 证据构建过程的开始，而非证明智能手机 AI 可以取代检查。

这项合作也反映出一场更广泛的较量：便捷的患者自行拍摄图像，与受控的临床成像之间的竞争。裂隙灯可为眼科医生提供放大、照明、定位和深度信息。患者的手机则具备覆盖范围和便利性，但也带来了相机、光照、对焦和拍摄技术不一致的问题。

核心问题在于，Deya 与 ICO 能否将这些不一致的输入转化为可靠的临床决策支持。Google News 的曝光可以提升知名度，但只有研究设计和公开发表的性能数据才能建立信任。

Deya 与 ICO 实际研究的内容

这项合作旨在为模型开发建立带标注的图像数据库，而非打造一套完成的诊断系统。

Deya 与 Illinois College of Optometry（通常称为 ICO）签订了赞助协议。该项目聚焦前节图像，即展示眼睛前部可见结构的图像。

根据最初的研究公告，研究人员将使用 Deya Imaging，通过患者的智能手机收集照片。这些图像将涵盖前节疾病以及隐形眼镜定位相关发现。

前节包括角膜、结膜、眼睑、虹膜和前房等结构。这些部位的问题可能表现为可见的发红、肿胀、病灶、分泌物、角膜改变或隐形眼镜移位。

研究将由 Yi Pang、Jennifer Harthan 和 Erica Ittner 领导。Pang 和 Harthan 是具备高级研究及临床资质的验光师。Ittner 同样是一名验光师。

该研究计划持续至 2026 年底。公告并未披露计划招募的总人数、预期图像数量或目标疾病的分布情况。

这些信息缺失限制了外界可作出的推断。即使数据库包含大量图像，如果多数样本代表常见或视觉上明显的发现，其价值仍可能有限。罕见、细微且紧急的病症往往构成更艰难的临床考验。

Deya 表示，其自动采集技术可引导智能手机图像收集。生成的文件将进入符合 HIPAA 要求的云端存储库，作为训练数据库。

眼科专业人员将监督标准化标注工作。Deya 指出，参与这一过程的人员包括首席医疗官 Scott Jens 和 CEO Jovi Boparai。

标注将每张临床图像转化为训练材料。审核人员可能识别眼部发现、其位置、图像质量或其他具有医学相关性的属性。

随后，模型学习与这些标注相关的统计模式。然而，标注必须保持一致、具备临床依据，并且足够细致。否则，模型可能会复制数据集中的分歧或隐藏的捷径。

Deya 所述目标是临床决策支持，即 CDS。这类软件提供有助于专业人员作出决策的信息，而不是独立取代该专业人员。

该公司将其更广泛的产品描述为医生主导的远程眼科护理平台。其连接式护理平台结合患者沟通、智能手机成像、症状追踪、分析和 AI 辅助洞察。

在拟议的工作流程中，患者可在诊所以外拍摄图像。软件分析提交内容，眼科专业人员则在分诊或随访期间使用这些信息。

这一区别很重要。这并非一款应当仅凭照片独立诊断任何眼部疾病的公众筛查工具。已公布的用途仍与眼科医生主导的护理相连接。

该研究的价值将取决于最终证据是否检验了这一完整工作流程。仅有模型准确率，并不能说明患者是否能拍摄可用图像，或临床医生是否能据此作出恰当行动。

为何 Google News 的关注跑在证据前面

标题描述的是一项 AI 训练研究，而现有证据仅描述了其计划中的数据流程。

Google News 可能让一项专业研究合作看起来像已完成的技术里程碑。聚合平台将细节压缩为标题、发布者和简短预览。

这种格式抹去了收集训练数据与验证临床系统之间的区别。它也可能掩盖一项主张是来自独立研究、同行评审论文，还是公司公告。

Deya 与 ICO 的项目目前正处于这些阶段中最早的一环。研究人员计划收集并标注图像。公开可得的材料并未报告敏感性、特异性、假阴性率，或与线下面诊检查的比较结果。

敏感性衡量系统在某种病症存在时检测出该病症的频率。特异性衡量系统在某种病症不存在时正确排除该病症的频率。

这两项指标对远程眼科护理都很重要。低敏感性可能漏掉需要及时治疗的问题。低特异性则可能让过多患者接受不必要的紧急就诊。

性能也会随预期任务而变化。用于监测已知隐形眼镜问题的工具，与用于提示未诊断角膜感染的工具，面临的验证要求并不相同。

合作公告称，该项目将改进 Deya 的 AI 引擎。这是公司的目标，而非独立确立的结果。

公告还称，这是目前已知唯一利用患者自行获取的前节图像开展 AI 驱动临床决策支持的项目。这种表述需要谨慎看待。

此前的研究人员已经调查过智能手机前节成像和远程会诊。更狭义的说法可能取决于 Deya 对自行拍摄图像、AI 分析和医生主导 CDS 的特定组合。

公告没有附带公开的研究注册信息、研究方案或同行评审的方法学资料。现有报道也未说明 ICO 是否会发表阴性或结论不明确的结果。

当一家公司赞助旨在改进自身产品的研究时，发表独立性至关重要。赞助并不会使研究失效，但读者需要了解分析、署名和发表权方面的透明度。

更有力的证据包会在数据收集结束前确定主要终点。它还会说明招募标准、参考标准、亚组分析，以及训练数据与测试数据之间的隔离。

参考标准界定了用于评判模型的可信临床答案。对于前节疾病，该标准可能包括由合格临床医生进行的裂隙灯检查。

测试集也必须与用于训练和调优系统的材料保持独立。在熟悉的患者或相关图像上评估模型，可能会夸大其性能。

同一人的多张图像会带来另一种风险。如果相关图像同时出现在训练集和测试集中，模型可能识别的是患者特有细节，而非学习普遍的临床模式。

Google News 的可见度无法回答上述任何问题。它只是提高了 Deya 如何传达这项仍在进行中的研究的重要性。

因此，负责任的解读应当保持有限。ICO 和 Deya 已开始围绕患者智能手机图像构建经临床标注的数据集。该数据集能否支持可靠护理，仍未有定论。

智能手机眼部成像面临质量控制难题

Deya 的主要对手不是另一家创业公司，而是在受控检查室外拍摄图像所带来的可变性。

智能手机具备多项实际优势。患者通常已经拥有手机，摄像头持续改进，图像也可迅速传送给远程临床医生。

这些优势使该方法对随访护理颇具吸引力。有已知问题的患者或许可以提交图像，无需为每次常规检查都前往就诊。

然而，前节摄影对拍摄技术异常敏感。反光、阴影、移动、距离、对焦、相机处理和曝光，都可能改变图像所呈现的内容。

消费级手机之间也存在显著差异。相机传感器、镜头、图像稳定功能、自动增强和软件更新，都可能改变呈现给模型的输入。

研究说明了这项挑战的规模。一项针对 344 张患者自行拍摄图像的研究发现，在没有专用附件和规范流程的情况下，仅 7% 被评为良好。

只有 16% 被认为适合用于临床决策。研究人员经常发现透视、对焦、照明和分辨率方面的问题。

在增加附件和成像流程后，图像质量有所改善。在该研究后续的数据集中，57% 获得良好评级，45% 适合用于临床决策。

这项智能手机成像研究同时支持两个结论。结构化采集可以改善结果，但即使经过引导的图像，也不会自动达到诊所级证据的水平。

Deya 表示其采用自动化智能手机图像采集技术。研究公告并未足够详细地说明该机制，无法将其与此前基于附件的方法进行比较。

软件可能会引导拍摄距离、定位、对焦、照明或图像接收。然而，相关问题并不是是否存在引导，而是普通患者在不同设备和环境下能多大程度地产出具有诊断价值的图像。

数据流程应保留失败的拍摄，而不只是成功样本。被拒绝的图像能够揭示该流程是否实用，以及哪些患者反复遇到困难。

排除失败样本会让模型看起来比实际部署的服务更准确。在实际使用中，无法获得合适图像本身就是具有临床相关性的结果。

图像质量还可能与疾病严重程度相互作用。较大或明显的异常即使在拍摄不完美的情况下也可能保持可见。细微变化则可能在眩光或模糊下消失。

一项诊断研究比较了智能手机照片与裂隙灯检查在角膜混浊方面的表现。该智能手机系统实现了较高特异性，但敏感性波动更大。

这项诊断准确性研究报告称，在默认智能手机设置下，敏感性为 68%。对于更大、视觉影响更显著且形成时间更近的瘢痕，敏感性有所提高。

这些结果涉及特定病情和外接成像附件。它们无法确定 Deya 的性能，但说明单一的总体准确率数字为何并不充分。

ICO 的研究将需要有难度的案例和具有临床意义的亚组。这些可能包括不同肤色、虹膜颜色、手机型号、年龄、照明环境和疾病严重程度。

隐形眼镜相关发现本身也会带来变异性。镜片位置可能随视线方向、眨眼、拍摄时机和相机角度变化。一张静态图像可能无法捕捉到临床医生所需的特征。

远程随访仍是合理的应用场景，因为临床医生了解患者的病史。他们可以将图像与症状、病历和既往检查结合起来。

当提交的图像成为主要证据来源时，分诊风险更高。即使患者存在疼痛、视力下降或其他紧急症状，一个看似令人放心的输出也可能延误治疗。

因此，安全的系统需要具备弃答机制。弃答是指模型拒绝解读不确定或不适合的输入，并将病例转交临床医生。

弃答率的重要性几乎不亚于准确率。谨慎的模型可能保护患者，却造成过多人工审核；激进的模型可能提高速度，同时增加漏诊风险。

Deya 的研究之所以重要，是因为它能够衡量这些运营层面的权衡。不过，该公告并未说明易用性、采集失败或临床医生工作量是否属于正式研究终点。

AI 训练数据必须代表其服务的患者群体

医学标注数据库只有在其构成与部署后预期面对的人群和临床情境相匹配时，才具有实际价值。

训练数据并不只是正确答案的集合。它还界定了模型所学习处理的患者、设备、环境和病情范围。

ICO 具备临床专业能力，并可接触 Illinois Eye Institute。该学院还运营一个研究中心，据称目前有近 150 项在研项目。

这样的环境能够支持规范的图像采集和专科审核，但并不能自动保证数据库具有代表性。

单一机构可能面对特定的地域构成、转诊模式、保险可及性、年龄分布和疾病严重程度。这些模式可能与其他地区未来用户的情况不同。

外部验证旨在解决这一问题。研究人员会使用未参与开发的另一地点的数据，对最终模型进行测试。

该公告未指出外部验证地点，也未说明 Deya 是否计划在 ICO 赞助项目结束后开展多中心研究。

标注质量构成第二项挑战。眼科专业人员有时会对可见发现存在分歧，尤其是在图像缺少检查时可获得的细节时。

严谨的研究方案应衡量这种分歧。它应说明每个病例由多少名审核者进行标注，以及团队如何解决冲突。

参考标注不应仅来自智能手机照片。在可能的情况下，研究人员应将图像与线下检查或其他公认的临床标准关联起来。

否则，系统可能学习到的是审核者对不完整图像的解读，而非患者是否确实存在该发现。这与学习患者是否真正具有相应表现不同。

疾病患病率也会影响实际应用价值。罕见但紧急的病情可能只提供少量训练样本，尽管漏掉它可能带来严重后果。

研究人员可以重新平衡训练数据集，但性能报告应反映预期的临床患病率。人为平衡的测试可能使标题式准确率难以解读。

研究应按病情报告结果，而不是将所有发现合并为一个分数。它还应将图像质量失败与模型分类错误区分开来。

患者自行生成的图像会引发隐私和治理问题。Deya 表示该存储库将符合 HIPAA，但这一表述只覆盖数据生命周期的一部分。

美国卫生与公众服务部解释称，处理受保护健康信息的云服务通常会成为业务伙伴。受监管实体必须建立适当的协议和保障措施。

联邦云计算指南还指出，加密数据仍可能产生业务伙伴义务。仅靠加密并不能免除这些责任。

研究参与者需要清楚了解其图像将如何被使用。重要问题包括模型开发、保留期限、未来研究、商业用途以及可能的数据共享。

公开公告没有提供这些同意细节。假定该数据库允许对图像进行任何未来用途是不恰当的。

数据集文档可以让这些边界更加清晰。一份有用的记录应描述参与者筛选、标注、排除标准、设备分布、图像失败、同意情况和已知局限。

模型更新又增加了一层复杂性。如果 Deya 在部署后持续加入图像，后续版本可能与原始研究中测试的系统不同。

版本控制和监测因此至关重要。临床医生需要知道是哪一个模型生成了建议，以及其行为是否发生变化。

这正是该合作可能比其 Google News 标题更具意义之处。ICO 可以帮助建立围绕数据的临床规范，而 Deya 则提供采集和软件基础设施。

这种关系仍需要透明的结果。机构参与应强化研究流程，而不应替代已发表的证据。

临床决策支持并不能避开监管审查

将系统称为决策支持，并不会自动让 Deya 的所有功能都不受医疗器械监管。

监管边界取决于预期用途、使用者、输入、输出，以及临床医生能否独立审查一项建议。

美国食品药品监督管理局于 2026 年 1 月发布了最终版临床决策支持指南。该指南说明了某些软件功能在何种情况下不属于法定医疗器械定义。

这份CDS 指南还区分了面向专业人员的支持功能与面向患者或照护者的功能。符合相关定义的软件仍可能适用医疗器械政策。

Deya 计划中的工作流跨越了多条敏感边界：患者采集图像，AI 系统分析这些图像，临床医生获得决策支持。

具体输出至关重要。让医生能够独立审查其依据的透明摘要，与不透明的概率结果或紧急诊断建议截然不同。

图像使独立审查更加复杂，因为临床医生可能需要专门培训和足够的图像质量，才能核实模型的推理。仅提供标签的可审查性低于提供突出显示的视觉证据。

该公司的公开表述包括 AI 诊断、监测、检测和治疗建议。这些描述的范围比简单的行政支持更广。

这并不能决定产品的监管状态，但表明 Deya 必须谨慎界定每项软件功能，并使其主张与支持性证据保持一致。

当前研究公告未提及 FDA 批准、授权或监管路径。读者不应从 ICO 的参与中推断任何监管状态。

训练研究和上市授权研究可能服务于不同目的。前者用于开发系统，后者则必须在明确的用途和风险框架下支持既定主张。

临床验证也应超越模型指标。研究人员需要确定软件如何改变临床医生行为、患者分流、随访时机和不良结局。

自动化偏见是一项担忧。尤其在高工作量的远程审核中，临床医生可能对看似自信的软件输出赋予过高权重。

警报疲劳则带来相反的问题。如果系统标记过多病例，临床医生可能忽视有用的警告，或花费更多时间审核远程提交内容。

Deya 的医生主导模式提供了一项重要保障，因为仍有专业人员参与。不过，当软件塑造注意力和优先级时，人工参与并不能消除风险。

因此，计划中的数据库应纳入正确应对方式是不确定性的病例。模型需要支持升级处理、重新采集或线下检查的示例。

系统还必须识别，某些症状应优先于看似令人放心的图像。即使照片看起来正常，突发视力下降或剧烈疼痛也可能需要紧急处理。

负责任的界面会直接传达这些限制。它应避免告诉患者，一张图像已排除超出模型验证范围的疾病。

如果产品继续推进，网络安全和持续性能监测将十分重要。医疗图像、健康病史和患者沟通内容都是容易被滥用的目标。

Deya 尚未公开提供足够细节来评估这些控制措施。缺少细节并不证明存在薄弱环节，但会妨碍独立评估。

这种监管和运营上的不确定性构成核心权衡。智能手机的可及性能扩大临床医生的服务范围，而医疗责任则要求证据与产品的实际角色相匹配。

研究结束后应关注什么

三个信号将表明这项合作是在推进临床护理，还是仍停留在早期数据集建设阶段。

第一个信号是公开研究方案或同行评审结果。最有力的报告应披露入组情况、图像总数、目标病情、设备多样性、参考标准和预先指定的终点。

读者应关注训练数据与测试数据是否在患者层面实现分离，也应寻找亚组结果和置信区间，而不只是合并后的准确率分数。

如果独立审核者能够审查方法和局限，发表结果将增强 Deya 的论证。若持续依赖公告措辞，核心主张仍将未经检验。

第二个信号是外部临床验证。通过 ICO 训练的模型应面对来自另一家机构、不同患者以及开发阶段未使用手机所采集的图像。

外部测试将支持该系统已学习到具有临床价值视觉模式的主张。若性能显著下降，则可能表明它学习的是特定机构或设备的捷径。

近期一项智能手机远程医疗研究提供了有益对照。社区卫生工作者在 19 个农村眼科筛查点采集图像前接受了三小时培训。

这项远程医疗平台研究表明，在结构化条件下，智能手机成像可以支持远程医疗。它并不能证明无人监督的自主采集同样有效。

Deya 拟议的工作流将更多责任交给患者。因此，其验证应报告人们需要多少指导，以及他们在无人协助下完成采集的频率。

第三个信号是明确界定的产品和监管主张。Deya 应说明系统针对哪些病情或发现、由谁使用输出结果，以及建议采取何种行动。

狭义的随访工具无需宣称广泛的诊断覆盖，也可以具有临床价值。实际上，精确的预期用途往往更容易实现有意义的验证。

该公司还应说明其软件何时会选择不作判断，以及何时会建议患者立即就医。这些安全护栏将揭示，安全性是否从一开始就塑造了整个工作流程。

临床医生和医疗系统不应将 Google News 报道视为系统已具备应用条件的证据。在采用前，他们应索取研究文件、验证数据、工作流程测试结果和隐私条款。

开发者则应从另一个角度研究这项合作。医疗 AI 的质量在很大程度上取决于采集设计、标注治理、参考标准和故障处理。

模型架构或许最受公众关注，但输入管线决定了模型能够学到什么。低质量图像和含糊的标签无法仅靠规模扩张来弥补。

关注医疗 AI 的知识工作者也应注意其中的语言差距。“训练 AI 模型”描述的是一个过程，而“支持临床护理”描述的是一种需要独立证据支撑的结果。

目前，Deya 和 ICO 已提出一个可信的研究问题：在医生指导下，智能手机拍摄的图像能否提供足够一致的信息，以支持远程眼科护理？

他们尚未给出答案。该研究将持续至 2026 年底，公告中未包含任何性能结果。

下一条有价值的 Google News 标题不应又是一则合作声明，而应报道透明的研究结果、外部验证以及明确限定的临床用途。

在此之前，临床医生应将 Deya 的系统视为一项正在进行的研究工作。患者仍应遵循专业建议，并在出现紧急症状时及时寻求线下诊疗。

请关注已发表的证据，而不只是曝光度。如果 Deya 能披露其系统在不同患者、设备和临床场景下的严谨性能表现，这项合作将值得获得更广泛的关注。

如果这些细节仍无法获得，该项目最多只能建立一个数据集。它无法证明智能手机能够可靠地延伸诊室的检查能力。