人工智能在近視防控與治療中的應用進展

朱正陽 綜述 薛春燕 審校

(1.南京大學醫學院附屬金陵醫院訓練中心，南京 210016；2.南京大學醫學院附屬金陵醫院眼科，南京 210016)

近視是由于角膜曲率過高、眼軸過長等，導致遠處物體在視網膜前聚焦，使遠距離視力模 糊[1]，是影響人類視功能主要的原因[2]。我國學齡兒童近視患病率逐年增長，影響青少年學習生活、生長發育和身心健康。近視的快速增長已成為全球公共衛生領域重點關注的問題[3]。目前全球約有超過14億人患有近視，占總人口的22.9%，1.6億人患有高度近視，占總人口的2.7%；到2050年，全世界近視人口總數預計會超過47億[4]。根據國家衛健委發布的最新數據[5]，我國兒童青少年總體近視率為52.7%，其中6歲兒童為14.3%，小學生為35.6%，初中生為71.1%，高中生為80.5%，大學生總體發生率為90%，高于世界平均水平。

隨著我國近視發病率的不斷攀升，近視相關的早期篩查、診斷、視力矯正的需求也逐年升高，傳統醫療手段已難以滿足現實近視防控的需要，人工智能技術為解決這一困境提供了新的思路。近年來，人工智能算法和核心技術快速發展，在醫療衛生領域中的應用越來越廣泛[6]，可以運用大數據技術對臨床影像資料和相關數據進行匯集，利用計算機強大的算法分析、挖掘數據，輔助醫生或直接參與臨床決策[7]。

目前，人工智能在眼科領域的運用十分廣泛，主要集中于眼科患者資料的分析和處理，對于白內障、青光眼、糖尿病視網膜病變、年齡相關性黃斑變性、早產兒視網膜病變等疾病的篩查與診斷具有重要意義[8-12]。在近視防控領域，人工智能的應用仍處于探索階段，依托大數據、人工智能和精準醫療，進行近視防控的六維度量化監測評估的新模式，即通過遺傳度、屈光度、用眼度、裂變度、病理度、干預度等6個維度進行近視防控，是未來近視精準化、個性化防控的新方向[13]。

1 人工智能在近視篩查、預測與監測中的應用

1.1 近視篩查

目前我國近視篩查的最主要手段為在每年中小學的體檢中，由受過專業訓練的護士或技術人員進入學校進行裸眼視力檢查，再將視力異常的兒童轉診至醫院進一步驗光以明確診斷。最新研究[14]顯示：裸眼視力篩查的平均敏感性為59.71%，平均特異性為89.74%。校園篩查存在漏診率高、檢查結果反饋不及時、人力成本高、偏遠地區覆蓋率較低等問題[15]，使許多近視患兒的病情延誤，屈光不正沒有得到及時的診斷和治療。Yang等[16]用2350幅用通常照相機拍攝的6～18歲患兒的眼球外觀圖像，訓練深度學習系統通過眼球外觀識別異常屈光狀態，結果顯示敏感性為81.3%，特異性為86.42%，AUC為0.927，敏感性遠高于傳統學校傳統裸眼視力檢測手段。此外，新的近視篩查技術也在逐步誕生，為未來人工智能在相關領域的落地應用提供基礎，如Jaeb Visual Acuity Screener[17]——一種公開免費的近視篩查軟件，家長可在家中用家用電腦對兒童進行近視篩查；SVone[18]——一種可與市面上通用的智能手機連接的外接設備，可隨時進行屈光異常篩查，這些技術可以通過移動智能設備，遠程實時監控青少年的屈光狀態，有利于大規模推廣與普及近視篩查，有效降低時間成本和人力成本，對近視的公共衛生防控具有重要意義。

1.2 近視預測

除對青少年近視進行早期篩查診斷外，基于現有資料，對未來學齡兒童近視發展變化進行預測，也是當下人工智能研究的熱點。Lin等[19]對國內多中心來源的10年內超過68萬份電子病歷數據進行分析，訓練人工智能算法，用以預測患者未來是否會進展為高度近視，結果顯示：3年內預測準確性超過了90%，8年內預測準確性超過了80%。該研究首次運用大數據和人工智能提供了高度近視高準確性的臨床預測模型，將高度近視的早期識別診斷提前了近8年，對提前做好高度近視的預防與篩查，減少高度近視遠期并發癥以及個體近視精準防控具有重要意義。Yang等[20]基于機器學習理論，對影響近視形成的因素如是否佩戴框架眼鏡、室內活動時間、戶外活動時間、眼軸角膜曲率、飲食、行為習慣等進行分析研究，以SVM模型為基礎，提供了一種新型的青少年近視預測模型，為青少年近視預測提供了一種新思路。唐濤等[21]利用機器學習模型研究眼軸增加量與等效球鏡度增加的對應關系，結果顯示：眼軸增長1 mm所需要的時間跨度越大，對應近視增長度數越小，并給出了預測模型，方便眼科醫師及視光學醫師通過眼軸增加判斷青少年近視變化情況。Varadarajan等[22]應用226870幅眼底彩超訓練“attention”模型，提取眼底圖像特征，預測現有屈光度數，取得了較高的準確率。

1.3 近視監測

人工智能的進展促進了物聯網時代智能穿戴設備的應用，新型智能穿戴設備可以對兒童青少年用眼姿勢、習慣進行實時檢測。其中代表性設備是中南大學愛爾眼科學院研發的“云夾”[23]，其能夠實時、全面記錄近視工作距離、周邊環境光照水平以及有無紫外線等因素，并將信息上傳至云端由人工智能進行分析，對不良用眼習慣進行實時提醒和糾正。研究[24]表明：佩戴云夾可以有效防止不良姿勢和近距離讀寫行為，并且在停止佩戴后依然可以維持一段時間，有效減緩近視的形成和進展。居玲等[25]為及時糾正兒童青少年不良用眼習慣，開發出“AI眼寶”APP，可以自動監測青少年讀寫姿勢、光線明暗、用眼時間，利用人工智能進行語音提示、自動調節，可有效減緩近視進展。線下移動智能穿戴設備收集數據，與線上云計算近視防控大數據平臺相結合，實時共享家庭、學校和醫院的近視防控信息，有利于實時監測近視防控效果，提高兒童青少年近視早期干預成效[26]。

2 人工智能在病理性近視中的應用

2.1 病理性近視的定義

病理性近視目前比較公認的定義為高度近視同時伴有鞏膜、脈絡膜、RPE病理性改變和視力損傷。2015年，Ohno-Matsui等[27]將病理性近視黃斑病變分為5級：無視網膜退行性病變為0級，豹紋狀眼底為1級，彌漫性脈絡膜視網膜萎縮為2級，斑塊狀脈絡膜視網膜萎縮為3級，黃斑萎縮為4級，以及另外3個附加病變：漆裂紋、脈絡膜新生血管和Fuchs斑。在此標準中，2級以上或具有至少1個附加病變即可診斷為病理性近視。

各種眼底病變如黃斑劈裂、視網膜脫離、脈絡膜新生血管等是高度近視的常見并發癥[28]。目前，病理性近視的標準分級、發病機制、預防策略和治療方法等都還有待研究[29]。缺乏標準分級使得不同流行病學調查和臨床實驗的結果之間難以進行比較，沒有統一的標準，也給基于大數據機器學習的人工智能對病理性近視眼底病變診療造成了困難。

2.2 人工智能對病理性近視的輔助診斷

病理性近視的診斷高度依賴于眼底病變的影像分析，近年來，人工智能在醫學影像采集和識別領域取得了突破性的進展。Zapata團隊[30]開發的Optretina遠程醫療平臺，眼底影像采集后，由眼科專科醫生進行標記，作為訓練集合，訓練后，Optretina可對眼底影像進行分類并診斷黃斑病變，敏感性達到97.7%，特異性達到92.4%，準確性可達96%。Li等[31]收集了1048位高度近視患者共計5505幅眼底光學相干斷層掃描(optical coherence tomography，OCT)圖像，采用InceptionResnet V2架構訓練卷積神經網絡(convolutional neural network，CNN)模型，用以識別4種在高度近視中威脅視力的眼底并發癥，即視網膜劈裂、黃斑裂孔、視網膜脫離和脈絡膜新生血管形成。訓練后的系統表現良好，敏感性略勝于視網膜病專科醫師，特異性超過90%。Hemelings等[32]同樣基于CNN模型，訓練人工智能對視網膜影像進行自動診斷和分類，同時將病變部位(視盤、視網膜萎縮、視網膜脫離)在影像上進行標注。

人工智能還可對眼底影像中的生理病理結構進行自動化分割和數據分析[33]。Fu等[34]搭建多標簽深度學習網絡和極性轉換系統，對眼底影像中的視杯視盤進行了精準的自動化分割。Jiang等[35]基于區域的CNN研發了JointRCNN算法，聯合特征提取模塊、區域提議網絡、視盤關注模塊、功能丟失計算以及分割模塊，完成對視盤周邊病灶的自動化檢測，測定病灶范圍。Dodo等[36]利用模糊直方圖增生法和圖切算法，在OCT影像上跨過8個邊界將視網膜分為7層并注釋。Wu等[37]提出了基于深度學習算法NFN+算法，具有新型的級聯設計和網絡間連接，能夠比現有模型更準確地在眼底圖像上標注視網膜血管，輔助眼科醫師進行診斷和治療。Tan等[38]基于超過225000幅視網膜圖像訓練深度學習算法，用以識別近視性黃斑變性及高度近視，進行了回顧性多國多隊列的研究，其診斷AUC可達0.969，表現超過6名眼科專家。Sogawa等[39]運用SS-OCT影像訓練CNN，用以識別無黃斑病變的正常眼底與有近視性黃斑病變的眼底圖像，AUC可達0.970，有較高的準確性。

在人工智能的輔助下，眼科醫師可以更快更準確地完成對眼底病變的識別與分析，有效減少讀片時間，極大提高眼底影像分析效率。利用人工智能進行病理性近視的初步診斷與篩查，也可以減輕眼科醫師的工作量、減少病理性近視篩查的人力物力成本。

3 人工智能在近視矯正與治療中的應用

目前，治療近視的主要手段包括佩戴框架眼鏡、角膜塑形鏡、角膜屈光手術等[40-42]。人工智能在相關領域的研究也有許多進展，如王凱團隊[43]依據我國青少年既往的角膜地形圖和屈光數據，應用人工智能研發出無接觸、個性化角膜塑形鏡免試戴配鏡法，準確率可達90%以上。

近年來，隨著我國近視發病率不斷增加，對近視屈光手術的需求也不斷增加，新型屈光手術技術不斷應運而生[44]，對屈光手術近視術前篩查以及術后隨訪的工作量急劇增加。人工智能對影像資料強大的識別與解析能力，可以對角膜影像進行自動化、客觀、有效的分析，確定適合手術的患者，在屈光手術術前篩查及術后并發癥監測領域具有廣闊的應用前景，但目前的研究仍然在小樣本范圍內進行，未來的實際運用需要進一步探索[45]。

圓錐角膜是引起高度近視的常見病因之一，也是角膜屈光手術的禁忌證之一，其診斷高度依賴影像資料[46]。Lav ric團隊[47]基于CNN開發了KeratoDetect算法，經過訓練，可以從角膜斷層顯像中高精度地檢測圓錐角膜，準確率可達99.33%，并能夠監測疾病的進展。Xie等[48]基于深度學習架構研發的PIRSS系統，對準備接受角膜屈光手術的患者進行篩查，排除存在術后繼發角膜擴張風險以及有圓錐角膜的患者，該團隊在兩年半的時間里，搜集了1385個準備接受角膜屈光手術的患者的角膜層析影像數據，PIRSS系統用6465個角膜影像進行訓練，對懷疑術后繼發角膜擴張的診斷敏感性可達80%，對診斷早期圓錐角膜的敏感性可達95%，診斷總體準確率達到95%，AUC為0.99，通過人工智能進行術前篩查，能夠有效減少角膜屈光手術的術后并發癥，降低手術風險。

Cui等[49]分析了機器學習技術用于預測全飛秒激光近視手術列線圖的結果，研究表明：機器學習安全性預測與眼科醫生相當，療效預測優于眼科醫生，但在高度近視與散光的預測上不如專業的眼科醫生。Achiron等[50]應用統計分類算法基于17592個患者的38個臨床參數訓練機器學習，可用于近視屈光手術前的風險評估，支持臨床決策，幫助患者通過手術獲益。未來人工智能在近視屈光手術術前篩查、術后預后預測及并發癥監測等方面有著廣泛的應用前景。

4 問題

4.1 可重復性和可比性較低

目前幾乎所有人工智能和機器學習的研究，都是基于不同數據集的分析和訓練，不同數據集的影像資料分辨率、成色等都有一定的差異，很多團隊的數據庫和源代碼都沒有公開，使得實驗可重復性和不同算法之間的對比研究變得十分困難。也正因如此，人工智能算法和系統的研究與實際臨床應用落地之間還存在著較大的距離。為解決這一問題，在嚴格遵守患者隱私保護的前提下，可鼓勵研究團隊公開發表數據集，并由專業機構集中管理，將數據集儲存于廣泛應用的機器學習數據庫中，供研究團隊使用，以增加后續研究的可重復性和可比性[51]。同時也可以選擇添加擴展程序，Wang等[52]為解決人工智能在分析不同機構、不同掃描程序提供的眼底影像存在障礙的問題，提出了一種新穎的基于補丁的輸出空間對抗學習框架，使人工智能經過訓練，對新數據集產生適應，逐步兼容。

4.2 影像資料質量要求高

人工智能的應用往往高度依賴眼部的影像資料，因而對影響資料的質量要求較高。對比度及像素較低的影像資料會使人工智能的判讀能力降低，出現高特異性低敏感性的結果，典型的病例依然可以被正確判讀，但會出現一定數量的假陽性結果。為解決這一問題，Zhang等[53]研發的超廣角眼底篩查系統DeepUWF，創新地引入了6種眼底圖像預處理技術：直方圖均衡、自適應直方圖均衡(adaptive histogram equalization，AHE)、強度縮放、伽馬校正、S形調整和有限對比度AHE，有效提高了人工智能神經網絡的學習能力，顯著增加了實驗結果的敏感性。

4.3 可解釋性較低

盡管人工智能具有極其強大的分析、學習、預測能力，但目前大多數機器學習算法都對其診斷過程缺乏解釋能力，其學習過程及決策過程的具體步驟是未知的(即“黑箱”)。人工智能的訓練過程依賴于建立輸入和輸出結果間的聯系。因此，部分算法并不依據影像資料中的病理信息進行診斷，而是綜合了圖片上其他混雜的特征，使其專業信服度降低。對“黑箱”進行拆解，決策步驟進一步細分，有助于提高機器學習算法的可解釋性，也有助于臨床醫生通過人工智能，學習新的臨床思維，進一步提高臨床診斷能力。

4.4 數據監管與隱私保護尚不成熟

盡管人工智能在近視防控與治療領域、乃至整個醫療領域都有著相當廣闊的應用前景，人工智能方便、高效、快捷，成本效益比極佳，但這一切效率的前提來自于對眾多患者真實臨床數據的收集，由此不可避免地帶來患者隱私泄露、數據濫用、決策公平等問題，目前我國在人工智能相關隱私問題的法律法規尚不夠完善，不同機構的患者數據保密工作水平參差不齊，有關部門可加強相關領域的監管，研究機構應切實履行保護患者隱私的義務，以減少相關的倫理與法律問題，促進人工智能研究領域的發展。

4.5 研究范圍較為局限，交叉研究較少

目前，人工智能在近視問題的研究多局限在對影像資料的處理，具體表現為：疾病的篩查與預測、病理性近視的診斷與分類、以及近視矯正與屈光手術治療等領域，但人工智能聯合基因組學、蛋白組學、環境科學以及人文社會科學等綜合學科進行近視防控的研究還相對較少，一方面是人工智能技術近年來發展過于迅猛，交叉領域研究需要時間；另一方面，跨學科的綜合研究需要有關部門牽頭合作，整合資源。不可否認的是，要實現人工智能對青少年近視的精準防控，需要進一步拓展目前人工智能的研究領域，注重人工智能結合其他領域的跨學科探索。

5 結語

由于眼科學自身學科的特點，臨床診斷依賴對影像資料的解析，人工智能強大的圖像分析能力使其在眼科領域具有較大的應用前景。目前，有關人工智能在近視防控中的應用大多還處于試驗階段，隨著臨床研究逐步展開，未來人工智能在真實臨床場景中診治的準確性與穩定性將逐步提高。同時，伴隨著大數據、5G技術與物聯網技術的快速發展，更多的可穿戴智能設備和APP能實時可靠地監測兒童青少年的用眼習慣、發現屈光異常，監控近視進展，為近視的早期干預與預防提供條件。同時，智能設備所收集的海量數據，可在云端收集儲存，建立數據庫，為今后的人工智能訓練提供新的素材；也可進行大數據分析，幫助研究人員進一步了解近視的流行病學及發病機制，為今后人工智能近視精準防控的大規模深度推廣打下基礎。同時，伴隨著基因檢測和各地電子病歷系統的逐步普及，未來人工智能可逐步整合患者的綜合信息，為近視的個體化防控提供可能。利用人工智能可大幅度降低近視篩查的時間成本及人力物力成本，可有效減緩高度近視、病理性近視進展，減少眼底病變的產生，降低近視致盲的發病率，減少由高度近視帶來的公共衛生負擔。

開放獲取聲明

本文適用于知識共享許可協議(Creative Commons)，允許第三方用戶按照署名(BY)-非商業性使用(NC)-禁止演繹(ND)(CC BY-NC-ND)的方式共享，即允許第三方對本刊發表的文章進行復制、發行、展覽、表演、放映、廣播或通過信息網絡向公眾傳播，但在這些過程中必須保留作者署名、僅限于非商業性目的、不得進行演繹創作。詳情請訪問：https://creativecommons.org/licenses/by-ncnd/4.0/。