编者按：孔源性视网膜脱离(RRD)是导致不可逆性视力损害的主要病因之一，其治疗关键在于精准定位裂孔位置。Lincoff和Gieser教授提出的Lincoff规则基于裂孔与视网膜脱离形态的几何关系，通过四条经验性原则（如裂孔多位于脱离最高边缘1.5个钟点内）指导手术，至今仍是临床重要参考。然而，随着RRD病例复杂化（如多裂孔、合并增殖性病变），传统规则的局限性日益凸显。与此同时，AI技术正深刻改变医学诊断模式。随机森林算法作为机器学习的代表，通过整合多维度数据（如年龄、晶状体状态、脱离范围）构建预测模型，已展现出超越单一指标的分析能力。第43届美国视网膜专家学会（ASRS 2025）年会上，来自West Coast Retina的Gaurav Shah教授团队通过一项涵盖超千例病例的研究，系统对比了Lincoff经典规则与AI算法在预测RRD视网膜裂孔位置中的效能，试图回答“在RRD裂孔定位中，经验智慧能否被数据智能超越”这一关键问题。

病例复杂性与模型优化，从单一裂孔到多因素整合的突破

为比较Lincoff规则与人工智能算法在预测RRD患眼视网膜裂孔位置中的准确性，研究纳入单术者完成的1055例原发性RRD患者（排除后极部裂孔、既往手术史等病例），最终1031例进入AI模型训练。所有病例均详细记录术前及术中的视网膜裂孔位置和脱离范围。AI模型采用随机森林架构，80%数据用于模型构建，20%用于测试。此外，为提高模型的预测精度，研究还额外纳入了患者年龄、左右眼（考虑到裂孔位置可能存在的镜像对称性）、晶状体状态以及视网膜脱离范围等多维度数据信息。在对比对象方面，需明确指出Lincoff规则主要聚焦于单一视网膜裂孔的定位，而本研究纳入的病例涵盖了存在1~3个视网膜裂孔的复杂情况。在评估AI模型表现时，从多个指标进行了考量：

• 预测一致性（R2值）：针对1个裂孔的情况，R2值为0.59；对于1~2个裂孔，R2值为0.54；而当涉及1~3个裂孔时，R2值降至0.50。

• 在误差范围（以预测偏差≤1钟点位为标准）方面，1个裂孔时准确率达70%，2个裂孔时为67%，3个裂孔时反而提升至80%。

• 在与Lincoff规则的吻合率对比中，规则1（视网膜颞上或鼻上脱离，裂孔位于视网膜脱离最高边界1.5钟点位内）的吻合率为79.3%；规则2（视网膜全脱离或横跨12点子午线的上方脱离，裂孔位于12点±1.5钟点位内）吻合率达84.8%；规则3（视网膜下方脱离，裂孔位于脱离较高一侧）吻合率最低，仅为30%；规则4（下方大泡性视网膜脱离，裂孔常位于水平线上方）吻合率为64.5%。

预测精准度提升，AI与传统规则的协同进化之路

该研究证实，AI模型在辅助定位RRD患眼的视网膜裂孔方面展现出显著优势，在RRD裂孔定位中已具备与经典规则相当甚至超越的效能。AI模型对上方RRD的裂孔定位更为准确，尤其在与规则1、2、4相关的场景中表现出色；然而，对于下方RRD（规则3）的预测能力相对较弱。值得注意的是，AI并未完全取代Lincoff规则。在简单病例中，传统经验凭借其快速、无需复杂计算的特点，仍具有不可忽视的实践价值。未来，通过扩大数据集对AI模型进行训练，有望进一步提升其预测精度，使其在未来或许能够超越Lincoff规则的传统经验判断，为RRD诊疗带来更为精准、高效的解决方案。

标题：Lincoff vs Artificial Intelligence: A Reappraisal of Lincoff's Rules for Finding the Retinal Tear

报告者：John Thompson MD

声明：本文仅供医疗卫生专业人士了解最新医药资讯参考使用，不代表本平台观点。该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议，如果该信息被用于资讯以外的目的，本站及作者不承担相关责任。