青年眼科醫師在白內障手術規范化培訓中存在的問題及策略研究

葉子 李朝輝

[摘要] 本文介紹了我國白內障手術的現狀，總結了青年眼科醫師培養中存在的問題，提出依托智能化、信息化體系快速、大量、高標準地開展青年眼科醫師培養的策略和利用最新的計算機視覺處理技術進行眼科手術視頻數據處理分析的可行性，以期為將來通過眼科手術視頻數據設計輔助手術工具和模擬培訓體系培訓青年眼科醫師提供指導。

[關鍵詞] 青年；眼科醫師；培養；策略

[中圖分類號] R192.3 [文獻標識碼] A [文章編號] 1673-7210（2018）09（a）-0054-05

[Abstract] This paper introduces the current situation of cataract surgery in China， summarizes the problems in the training of young ophthalmologists， and offers the strategy to develop young ophthalmologists by intelligence and information system， to discuss the feasibility of using the latest computer vision processing technology to take video data processing and ophthalmic surgery analysis， in order to design surgical tools and simulation training system for young ophthalmologists training through eye surgery video data in the future.

[Key words] Youth； Ophthalmologist； Culture； Strategy

年齡相關性白內障（age-related cataract，ARC）是一種常見的致盲性眼病，是老年人失明的主要原因之一，60～89歲人群白內障發病率則可達到80%[1-2]。但目前我國白內障患者手術率與其他國家相比仍處于較低水平，其主要原因包括基層醫院手術醫師嚴重匱乏、眼科資源分配不均、手術操作缺乏規范性等，這其中又以眼科青年醫師的培養問題最為突出[3]。因此，對青年醫師進行有效的手術操作規范化培訓迫在眉睫，快速掌握扎實的基本功是對青年醫師最基本的要求[4]。作為一類極具實踐性和專業性的臨床學科，眼科學要求進入工作崗位的青年眼科醫師及時了解和學習眼科學的最新臨床發展動態，并進行高效、專業的手術操作規范化培訓，以緩解我國白內障手術覆蓋程度較低的問題[5]。但目前已知的青年醫師白內障手術培訓系統缺乏有效的、互動式、可反饋手術培訓及評估的系統[6]。本文就目前青年眼科醫師培養中存在的問題及應對策略進行分析，并對目前最新的利用計算機視覺處理技術開展眼科手術視頻數據處理分析的方法進行了梳理，對將來利用眼科手術視頻數據設計輔助手術工具和模擬培訓體系對青年醫師進行培訓開始了初步探討，進而使青年眼科醫師及時掌握手術操作技巧，并縮短手術學習曲線，提高醫師整體的手術操作水平。

1 目前我國白內障手術普遍存在的問題

1.1 我國白內障手術的現狀

白內障是全球性的第一位致盲性眼病，目前治療最有效的方法是手術，手術治療不僅給社會帶來了沉重的經濟負擔，同時也存在一定的風險和并發癥[7]。2009年開展的“百萬貧困白內障患者復明工程”是我國重大公共衛生項目，超聲乳化技術及人工晶體的高速發展使得手術治療成為目前白內障治療的最優選擇[8]。但與其他發達國家相比，我國白內障手術率仍處于較低水平[9]。亞太白內障及屈光手術醫生協會秘書長楊南諄列舉了新加坡白內障手術率為4000/百萬，印度已超過6000/百萬，美國已超過9000/百萬，而中國目前的手術率是發達國家的1/6[10]。因此，我國白內障手術率仍存在很大的增長空間。我國國情決定了白內障手術覆蓋程度存在明顯的差異性：①基層醫院手術醫師嚴重匱乏，文獻調查結果顯示我國目前的眼科醫師在6000人左右，平均每名眼科醫生需服務6萬人群，每千人僅擁有0.0178名眼科醫生，而在國外發達國家，如美國和法國每千人中擁有眼科醫生數量可達到2.79、2.17名[11]。我國眼科醫生資源與發達國家水平存在較大差距，眼科人才的匱乏問題顯著，眼科醫生的不足對我國眼科事業的發展產生了嚴重的制約。因此，需要提高青年眼科醫生的培訓效率，進一步促進我國眼科事業的發展，從而使眼科資源能夠跟上人民不斷增長的眼科醫療需求。②眼科資源分配不均，手術設備和眼科技術力量分布地域差別大，西部地區及貧困地區手術率較東部地區及發達地區明顯偏少，比如上海城區白內障手術率達到了6000/百萬，而郊區只有1000/百萬，城鄉差別很大，優秀的手術資源和白內障醫師多集中于經濟相對發達的地區，而廣大偏遠地區基層醫師手術技術水平參差不齊[12]。③手術操作缺乏規范性，在復明項目實施過程中，雖然全國90%的市縣均可以獨立開展白內障復明手術，但手術實施過程中存在著操作技術不規范、并發癥發生比例高、手術意外處理不及時等問題[13]。

1.2 眼科青年醫師的培養問題

白內障手術中存在的問題又以眼科青年醫師的培養問題最為突出，青年眼科醫師在學校階段由于課時及教學內容的限制，實習的時間也無法滿足真正的需求，導致剛步入職場的青年眼科醫師對專業理論、專業知識和眼科基本理論的掌握不夠，同時如何在直面患者時完成角色的轉換也極為重要[14-15]。當下在臨床中大多采用住院醫師制模式對眼科手術醫師進行相應的技能培訓，該方案存在一定的局限性，如培訓間斷、周期長、學員手術技能不穩定及技能重復訓練率低等問題，在一定程度上限制了青年眼科醫師相關臨床技能的提高。同時絕大多數的醫學院校附屬醫院及臨床教學醫療機構雖然漸漸構建了各自的眼科培養方案，但卻沒有統一的量化標準，眼科醫師的培養質量同臨床實際要求還有一定的距離。作為臨床上具有極強專業性的二級學科，眼科同其他身體組織器官不論是在生理上還是在病理特點上均有較明顯的差異，需要通過特殊儀器及設備才能對其精細復雜的結構進行直觀的檢查[16]。隨著醫療技術的發展諸如多波長激光器、頻域光學相干斷層掃描及超聲生物顯微鏡等大量先進的眼部檢查、治療設備投入了臨床，同時微小切口白內障及23G玻璃體切割等先進的顯微微創手術治療方案也逐漸推廣，這就對我們的青年眼科醫師專業技術的培養提出了更高的要求。

1.3 目前眼科青年醫師手術培訓及評估系統中的問題

如何提高我國的白內障手術培訓質量是目前醫學臨床教育面臨的重要課題。從最原始的師父憑個人經驗對徒弟“口口傳授”，到一系列超聲乳化手術步驟的制訂和推廣，白內障手術培訓已趨于規范化和規模化[17]。20世紀90年代末高端醫學模擬技術的應用，使眼科手術教學質量發生質的飛躍，極大地促進了白內障手術培訓體系的建立。目前針對白內障手術的教學培訓，臨床中主要依靠于手術模擬器系統的使用。白內障手術模擬器系統主要由一臺高性能計算機、帶有四維視覺界面（三維+旋轉）模擬顯微鏡及顯微鏡控制模擬設備、白內障超聲乳化手柄和白內障核操作顯微器械模擬設備、超聲乳化腳踏板以及裝有電子眼的頭部模型等五部分組成。該培訓體系可非常逼真地模擬白內障手術操作過程中的各個手術步驟，對縮短受訓者手術學習曲線具有一定的幫助作用[18]。但是該培訓系統離完美的教學工具相去甚遠，尚處于手術培訓體系建立發展過程中的初級階段，仍未擺脫單向教學的局限性，沒有反饋性的教學體驗，因此其對受訓學員的指導作用仍較弱。而針對上述我國白內障手術率偏低、手術醫師嚴重不足的現狀和手術醫師技術不成熟、缺乏規范化系統性培訓之間的矛盾，對基層醫師和青年醫師進行規范化程式化的手術技術培訓是非常必要的。

2 青年眼科醫師的培養策略

2.1 青年醫師規范化手術培訓的策略

為了更好地解決青年眼科醫師培養中存在的問題，臨床和學術界進行了積極的探索。如建立規范化的操作技術，強化質量控制，在全國范圍內建立白內障手術操作規范專家共識。目前關于白內障手術相關的最新專家共識是2017年亞太白內障屈光手術學會（APACRS）白內障手術操作指南，雖然該指南中囊括了絕大多數白內障手術操作及人工晶狀體選擇的原則及指導性意見，但因各個國家國情及手術醫師水平層次的限制，它并不能為廣大臨床工作者提供可供參考的指導細節[19]。即使根據我國國情對指南進行修訂或建立我國白內障手術專家共識，對基層青年醫師的指導作用仍相對有限，并不能從根本上提高青年醫師白內障手術學習效率。因此，從該點出發進行嘗試，存在一定的局限性。這就需要我們建立更加客觀的評價系統，確保手術安全。在人工智能極速發展的時代背景下，充分利用中國患者數量巨大的優勢，在建立大數據平臺基礎上，研發一套有效且可靠的評價系統，打破以往人機互動的單向模式，打造機器人反饋式、實時指導式操作系統，目的是通過機器對操作者的修正式輔導，在最大程度上降低手術并發癥和術后不良反應，縮短青年醫師手術培訓學習曲線。從該點出發進行嘗試，明顯更具可行性和現實意義，符合基層醫院的現實情況，有利于基層醫院的推廣。

2.2 新型手術規范化培訓系統建立的必要性

研發一套規范化的白內障手術培訓系統，需要醫生、計算機專家以及工程學家的密切配合與相互反饋，才能提高基層醫師和青年醫師的學習質量，有效縮短醫師學習曲線，切實保障白內障防盲工作的質量，用實際行動踐行“一帶一路”建設。以往的研究經驗告訴我們，研發一套智能分析的白內障手術培訓系統，需要臨床醫生、計算機專家的密切配合與協作[20]。值得欣喜的是，近些年來在國家科技創新政策的大力支持和指引下，信息技術與傳統行業的合作正在快速“升溫”。尤其是國務院總理李克強在2017年政府工作報告中，首次將“人工智能”寫入了全國政府工作報告[21]。這意味著人工智能已上升為國家戰略。隨著相關系統和產品的不斷迭代更新，我們相信未來依托智能化、信息化體系快速、大量、高標準開展基層和青年眼科醫師培訓的日子指日可待。

2.3 新技術應用于青年眼科醫生培養的前景或可行性

2.3.1 視頻自動分析與智能互動 隨著醫療成像技術的進步和手術室設備的完善，記錄和分析手術錄像在過去的十年中得到了普及[22]。這些方法的出現可以幫助外科醫生更好地、更快地提高手術技巧、幫助醫療機構開展手術技能評估與教育培訓。全球每年進行超過1900萬臺白內障手術，在以往的臨床研究當中，手術過程的描述往往只有手術時間等簡單指標，缺乏能夠自動和快速對手術錄像進行量化處理的工具[23]。近兩年來，隨著深度學習技術的成熟，視頻自動分析相關的應用成為一個非常熱門的研究方向，目前開展最多的研究主要是識別視頻中的行為和監測特定的場景[24]。在醫療領域已經有步態分析和手術監測。白內障手術是鏡下手術，手術視野變化范圍較小，具備較高的可處理性。利用最新的深度學習技術對白內障手術錄像進行處理，可以實現視頻中手術器械的自動檢測和手術場景的智能分類，起到輔助手術技能培訓和實時決策的作用。

2.3.2 時間序列分析在手術器械自動識別中的運用 具體的目標首先是對手術錄像當中出現的手術器械進行自動識別。與其他計算機視覺任務相比，手術器械識別具有幾個特點：首先，它不同于許多計算機視覺任務，包括近兩年流行的ImageNet計算機視覺識別的挑戰中的單標簽分類任務，需要解決的問題是多標簽分類（每一幀圖像可能有多個正確的標簽）而不是多類分類問題（多個圖像有一個正確的標簽類）[25]。其次，每一幀圖像使用的工具數量也不盡相同；最后，考慮到白內障手術具有明顯的流程特性，時間序列在手術器械出現規律當中具有重要價值。在2016年計算機輔助干預的建模與監測（modeling and monitoring of computer assisted interventions，M2CAI）競賽中，用于手術視頻中刀具檢測的最新算法是卷積神經網絡算法（convolutional neural networks，CNN），在該挑戰中最佳解決方案采取遷移學習策略：將用在ImageNet數據集中的靜止圖像分類CNN算法進行微調后用在手術視頻中提取圖像的分析處理上[26]。值得注意的是時間信息在這些解決方案中并沒有被利用，文獻報道提出的解決方案是依靠CNN處理連續圖像的短序列，使用光流來記錄和組合來自連續圖像的局部特征[27]。目標是在一個工具上結合稍微不同的視圖，其中一些受到運動模糊或遮擋的影響。然而，圖像之間的長期關系并沒有在上述文獻中被利用。目前最新的算法已經可以在白內障手術視頻當中實現95%以上的手術器械識別準確率[28]。

2.3.3 手術流程自動分析 除了識別手術錄像中出現的器械，另一個研究方向是手術流程的自動分析。已經有人提出了結合手術時間信息來實現這個功能的方案[29]。目前大多數解決方案都依賴于統計模型，如條件隨機場模型[30]。最近，有研究還提出了基于循環神經網絡（recurrent neural networks，RNN）的解決方案，在所有這些工作中，統計模型或RNN算法被用來標示手術所處的階段[31]。但是，鑒于手術活動和工具使用之間具有強相關性，未來可以期待利用手術器械識別來優化手術流程的分析的效果。

上述學者的研究成果清楚地表明，手術視頻處理算法采用組合式CNN勝過采用單個CNN算法。不同結構CNN模型通常被先用于手術視頻特征的提取訓練，再與標準的機器學習算法（決策樹、隨機森林、多層感知器等）結合最終實現手術器械的分類識別。然而，目前的研究表明這樣的方法所取得的結果仍不盡理想，因為不同的樣本可能被CNN算法誤分類[32]。同時在手術視頻中有許多難以分類的樣本，特別是在那些出現多個形狀相同的手術器械的場景（例如在白內障手術中有兩種類型的套管）。增加RNN算法對提高識別的準確率是有意義的。從時間維度上判斷手術器械的出現，極少會出現難以分類的樣本，因為在實際手術當中不按照正常程序使用手術器械的情況是非常罕見的。因此，有人建議在白內障手術視頻識別當中應采用CNN和RNN結合的方法來進行手術器械的自動識別[33]。

已經有學者提出，分析中應包含時間序列信息的解決方案，而不是單純地分析每一幀圖像，這些解決方案總體上可以分為以下三種策略：第一個策略是將視頻視為三維圖像，然后利用3D CNN算法來處理[34]。第一種方法的主要缺點是操作過程過于復雜，需要許多訓練樣本，意味著處理樣本的時間會無限延長。第二個策略是分析二維圖像以及連續圖像之間的光流[35]。這種方法更加簡單，簡化了視頻預處理的環節。但是，這種方法只能模擬圖像之間的短期關系，并且容易出現光流估計錯誤。最后一種策略是將CNN分析2D（有時3D）圖像與分析時間序列的RNN結合起來。“CNN+RNN”這種目前最為先進的視頻分析方法的主要優點是可以有效地考慮事件之間的長期關系，而無需任何前期的標記樣本準備，目前已經可以達到90%以上的準確率。通過“CNN+RNN”等新技術對白內障手術錄像進行處理，可使手術器械自動檢測及手術場景智能分類效果得到顯著提高，可保證培訓內容的全面性和一致性，可較好地理解眼科手術器械使用要點及流程，從而起到縮短培訓時間、提高培訓效率的效果。研究認為，人類對于錄像拍攝的特定部分記憶效果是最佳的[36]，參考該結果，越來越多的研究者利用醫療成像技術對眼科醫生進行培訓，培訓效率得到極大提高。通過圖像中的細節之處引發眼科醫生關注，在關注細節的同時激發醫生的創造性思維，使眼科醫師在接受培訓的過程中懂得獨立觀察和思考，及時發現問題并找到解決方法，從而在頭腦中形成正確深刻的觀念。同時該培訓方案杜絕了單純的文字直面交流，改變了醫生的思維認知的方法，將口頭培訓的抽象思維轉變為圖像培訓的形象思維。手術操作技能建立在醫生理解、記憶并通過創造性思維把理論知識融會貫通的基礎之上，因為每一步操作都有相應的依據，只有理論基礎扎實，才能夠順暢地完成相應操作。

3 展望

如今眼科青年醫師的白內障手術培訓在國內各教學醫院中主要還是通過“學徒式”的實踐教育模式來進行培訓，手術技能的提高需要循序漸進，耗費了大量的人力、物力及時間，且患者自身的健康意識及保護意識也伴隨著醫療環境的變化而得到顯著提高，青年醫師于培訓初期在對患者的治療中存在一定的潛在風險。如何探索規范化的白內障手術培訓系統，從而增加眼科青年醫師的培訓效率是各家教學醫院急需解決的重要課題。利用計算機視覺處理技術開展眼科手術視頻數據處理分析的方法在臨床實踐教學當中極具應用前景，但仍需要臨床中的不斷探索完善。未來在手術器械和手術流程分析達到最高準確度的基礎上，下一步就是實現在手術過程當中實時分析手術視頻，并在此基礎上開發多種應用，最終目的是能夠對成長中的青年醫師手術操作步驟的每一個細節進行分析和指導，規范操作流程，以及規避和糾正不良動作和習慣，幫助青年眼科醫生更加快速地掌握手術技巧，使“規范化”手術培訓真真正正地規范起來。

[參考文獻]

[1] Abdelkader H，Alany RG，Pierscionek B. Age-related cataract and drug therapy：opportunities and challenges for topical antioxidant delivery to the lens [J]. J Pharm Pharmacol，2015，67（4）：537-550.

[2] 姚克，葉盼盼.我國近五年白內障研究進展和展望[J].中華眼科雜志，2010，46（10）：888-892.

[3] 侯旭，胡丹，周健.規范眼科住院總醫師培訓提升眼科專業人才素質[J].西北醫學教育，2014，22（1）：202-205.

[4] Sofka CM. Developments and innovations in resident and fellowship education：review article [J]. HSS J，2014，10（3）：225-229.

[5] 丁琳，王紹飛，宋艷.眼科住院醫師規范化培訓模式的探討[J].繼續醫學教育，2014，28（1）：15-16.

[6] Cedfeldt AS，Bower E，Flores C，et al. Promoting Resident Wellness：Evaluation of a Time-OffPolicy to Increase Residents′Utdization of Health Care Services [J]. Acad Med，2014，90（5）：678-683.

[7] Twinanda AP，Shehata S，Mutter D，et al. EndoNet：A Deep Architecture for Recognition Tasks on Laparoscopic Videos [J]. IEEE Trans Med Imaging，2017，36（1）：86-97.

[8] Al Hajj H，Lamard M，Charriere K，et al. Surgical tool detection in cataract surgery videos through multi-image fusion inside a convolutional neural network [J]. Conf Proc IEEE Eng Med Biol Soc，2017，2017：2002-2005.

[9] 侯旭，胡丹，周健.眼科進修醫師培訓的問題與思考[J].國際眼科雜志，2015，15（3）：517-519.

[10] 趙家良.提高白內障手術率是我國防盲治盲的當務之急[J].中華醫學雜志，2013，93（47）：3729-3730.

[11] 黃家林，劉斌，朱增欽，等.發展中國家白內障手術的現狀[J].國際眼科雜志，2013，13（6）：1142-1146.

[12] 曾光，于萌，李潔，等.眼科學專業學位研究生參加住院醫師規范化培訓中的實踐初探[J].醫學美學美容：中旬刊，2015，2015（3）：487.

[13] 中華醫學會眼科學分會白內障及人工晶狀體學組.我國白內障及人工晶狀體近五年十大研究進展[J].中華眼科雜志，2015，51（4）：301-304.

[14] Ye H，Wu Z，Zhao RW，et al. Evaluating two-stream CNN for video classification [C]//ACM on International Conference on Multimedia Retrieval，2015：435-442.

[15] Donahue J，Hendricks LA，Rohrbach M，et al. Long-Term Recurrent Convolutional Networks for Visual Recognition and Description [J]. IEEE Trans Pattern Anal Mach Intell，2017，39（4）：677-691.

[16] 李燕，林鐸儒，梁苑眼科住院醫師委托培養效果的評估研究[J].眼科學報，2016，31（4）：251-258.

[17] 范文歡，熊林平，陶磊，等.我國住院醫師規范化培訓考核評估研究及對策[J].現代醫院，2016，16（4）：592-594.

[18] 吳航，戴惟葭，劉大川，等.利用手術模擬器提高眼科青年醫師白內障手術技能在臨床教學中的應用[J].國際眼科雜志，2009，9（11）：2158-2159.

[19] 中華醫學會眼科學分會白內障及人工晶狀體學組.第30屆亞太白內障及屈光手術醫師學會年會暨第18屆全國白內障及人工晶狀體學術年會會議總結[J].中華眼科雜志，2017，53（11）：878-880.

[20] 崔洪雨，劉丹，曲巍，等.PBL教學模式在眼科學教學中的實踐[J].國際眼科雜志，2014，14（7）：1303-1306.

[21] 《黑龍江檔案》編輯部.首次寫入政府工作報告的人工智能解讀[J].黑龍江檔案，2017，2017（4）：112.

[22] 朱明善.眼科超聲生物顯微鏡研究進展[J].中國醫療器械雜志，2014，38（2）：122-125.

[23] 董騁寰，薛奧，黃焱.多媒體案例教學在眼科學教學中的應用[J].基礎醫學教育，2014，16（6）：479-480.

[24] 吳航，戴惟葭，董瑩，等.手術模擬器培訓眼科青年醫師顯微手術技能的觀察研究[J].國際眼科雜志，2015，15（7）：1240-1241.

[25] 張自峰，胡丹，周健，等.以問題為基礎學習教學法在八年制學員眼科臨床實習的應用[J].國際眼科雜志，2015， 15（9）：1625-1628.

[26] 胡旭顳，張宗端，鄭斌，等.眼科顯微手術技能分級培訓模式的探索[J].中國高等醫學教育，2013（9）：63-64.

[27] 張媛，歐陽薇薇，胡章雪，等.重慶市住院醫師規范化培訓現狀PDCA分析[J].重慶醫學，2015，44（6）：851-853.

[28] 李培杰，劉曉梅.PDCA循環法在住院醫師規范化培訓中的應用效果[J].齊魯醫學雜志，2014，29（1）：83-84.

[29] Lalys F，Jannin P. Surgical process modelling：a review [J]. Int J Comput Assist Radiol Surg，2014，9（3）：495-511.

[30] Tao L，Zappella L，Hager GD，et al. Surgical gesture segmentation and recognition. Med Image Comput Comput Assist Interv，2013，16（Pt3）：339-346.

[31] Cho K，van Merrienboer B，Gulcehre C，et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation [J]. EMNLP，2014，14（6）：1078-1093.

[32] 楊楠，南琳，張丁一，等.基于深度學習的圖像描述研究[J].紅外與激光工程，2018，47（2）：1-8.

[33] Quellec G，Charriere K，Boudi Y，et al. Deep image mining for diabetic retinopathy screening [J]. Med Image Anal，2017，39（2017）：178-193.

[34] Zhu W，Hu J，Sun G，et al. A key volume mining deep framework for action recognition [C]//Computer Vision & Pattern Recognition，2016：1991-1999.

[35] Charriere K，Quellec G，Lamard M，et al. Real-time analysis of cataract surgery videos using statistical models [J]. Multimed Tools Appl，2016，6（76）：1-19.

[36] Henkel LA. Point-and-shoot memories：the influence of taking Photos on memory for a museum tour [J]. Psychol Sci，2014，25（2）：396-402.

（收稿日期：2018-04-19 本文編輯：張瑜杰）