人工智能在眼前節疾病診斷中的應用指南(2023)

邵 毅,接 英,劉祖國,《人工智能在眼前節疾病診斷中的應用指南(0)》專家組,中國醫藥教育協會眼科影像與智能醫療分會,國際轉化醫學會眼科專業委員會,中國眼科影像研究專家組

1 《人工智能在眼前節疾病診斷中的應用指南(2023)》制定背景和方法

眼前節定義為眼睛的前三分之一,包括結膜、角膜、前房、虹膜、瞳孔、睫狀體和晶狀體,這些結構構成了光通過眼睛和眼部屈光系統的路徑。角膜和晶狀體是眼睛最重要的兩種屈光結構,這些結構的損傷可能導致視力障礙和失明。根據世界衛生組織的數據,白內障和未矯正的屈光不正是全球失明的兩大原因(55%)[1]。人工智能(artificial intelligence,AI)最初開發用于視網膜疾病和青光眼[2],近年來,越來越多的研究將AI應用于眼前節疾病,由于眼前節疾病的診斷和治療通常涉及影像學分析,包括裂隙燈檢查(slit-lamp photography,SLP)、前節光學相干斷層掃描(anterior segment optical coherence tomography,AS-OCT)、角膜地形圖、角膜內皮顯微鏡和共聚焦顯微鏡(invivoconfocal microscopy,IVCM)[3]。視網膜疾病的診斷在很大程度上依賴于檢眼鏡或眼底攝影獲得的眼底圖像,相比之下,由于考慮到眼前節結構和生理功能的復雜性,診斷眼前節疾病需要進行多項檢查。因此,基于眼前節圖像的AI在眼科中的潛在應用價值不斷提升,特別是在依賴大數據和基于圖像分析的領域,可提高眼前節疾病診斷和分級的準確性并預測疾病治療進展。隨著AI在眼科領域的擴展,基于AI在眼前節疾病中的應用尚未形成統一的可遵守的指南,中國醫藥教育協會眼科影像與智能醫療分會和國際轉化醫學會眼科專業委員會于2022-07成立《人工智能在眼前節疾病診斷中的應用指南(2023)》專家組,組織執筆專家、屈光專家、眼科影像專家于2023-07-03認真學習國內外AI在眼前節疾病中的應用研究文獻,并結合眼科AI臨床研究的實踐經驗,召開線下和線上會議,針對AI在眼前節疾病中的應用進行充分討論和論證,并分析當前面臨的挑戰以及未來發展方向,由執筆專家組成員撰寫指南初稿,初稿形成后通過電子郵件和微信方式由各位專家獨立閱讀并提出修改意見,分別提交指南撰寫組核心成員,修改意見經過整理并通過微信、郵件方式和線上會議進行討論和歸納,指南在修改期間充分接受參與專家的建議和指導意見,最終達成指南終稿,旨在幫助眼科醫生理解、研究和臨床部署AI技術。本指南制定過程歷時近1年余。

2 眼前節疾病主要診斷成像模式和AI模型構造

2.1眼前節疾病主要診斷成像模式圖裂隙燈檢查圖像、AS-OCT圖像、角膜地形圖、角膜內皮顯微鏡和共聚焦顯微鏡等多種眼科成像方式已廣泛應用于AI診斷眼前節疾病。此外,還使用了結構化數據,用于診斷的眼科影像學檢查方法見圖1。

圖1 AI在眼前節疾病中的應用。

2.2AI模型構造構建AI模型的步驟包括以下幾個階段:系統的數據準備(圖像預處理)、數據集劃分、模型的構建、優化和評估,見圖2。

圖2 一般圖像分類AI模型的構建流程。

3 AI的基本原理

AI是指機器模擬人類的智力推理、決策和行為[1]。作為AI的一個分支,機器學習(machine learning,ML)使用樣本訓練數據建立模型[如Logistic回歸、人工神經網絡(artificial neural network,ANN)、決策樹],以便在沒有明確編程的情況下做出預測或決策[4]。然而,由于計算能力的限制,它不能運用許多隱藏層來處理高維的輸入數據,這意味著當數百萬像素作為輸入數據時,傳統ML將面臨巨大挑戰[1]。深度學習(deep learning,DL)算法是ANN的最新演進,能夠自動執行復雜的多級數據提取,無需手動標記特征[5-6]。卷積神經網絡(CNN)和遞歸神經網絡(RNN)是DL方法的代表模型,它們在圖像識別、語音識別和自然語言處理等領域具有突出的表現[7]。

4 AI在眼前節疾病診斷中的臨床應用

4.1角膜疾病和角膜手術

4.1.1感染性角膜炎感染性角膜炎(infectious keratitis, IK)具有病原菌培養產量低,缺乏病原特異性,易并發多種微生物感染(2%～15%)的特征,是臨床很難明確病因診斷的角膜疾病[8]。早期發現和適當治療角膜炎可以阻止疾病進展并達到更好的視覺預后[9-10]。然而,角膜炎的診斷通常需要臨床經驗豐富的眼科醫生,目前的臨床診斷準確率為33%～80%,仍不理想[11]。AI已被開發用于識別角膜炎的病因并提高診斷準確率。Saini等[12]納入106例角膜潰瘍受試者構建了ANN分類器,這些受試者具有涂片或培養的實驗室證據,并對特定抗生素或抗真菌藥物有完全愈合反應,結果發現ANN分類器對細菌和真菌類別的特異度分別為76.5%和100%。AI模型對不同角膜炎的診斷和分類表現不同,但基本準確率在逐步提高。此外,使用圖像級分類標簽以及解剖學和病理學標簽訓練的算法比僅使用圖像級分類標簽訓練的算法表現出更好的診斷性能。

Li等[13]開發了一個用于分割解剖結構和在裂隙燈圖像中注釋病理特征診斷眼科疾病的DL算法,從1772張裂隙燈圖像中分別生成了13404個通用分類標簽、8324個分段解剖結構和1772個病理特征,除了標記角膜病理特征外,AI還有望量化角膜生理學和病理學。Loo等[14]提出了基于DL的全自動算法,用于分割SLP圖像上的眼部結構和微生物角膜炎生物標志物,該數據集由來自133眼的SLP圖像組成,并由眼科醫生手動注釋,在兩種不同的照明下分割SLP圖像上的眼部結構和生物標志物,該系統在圖像上識別并有效分割了4個病理標志,包括基質浸潤、前房積膿、白細胞邊界、角膜水腫邊界,因此全自動算法可用于分割SLP圖像上的生物標志物。

4.1.2圓錐角膜圓錐角膜(keratoconus,KC)或疑似圓錐角膜的早期診斷和檢測,特別是屈光手術前,仍然是一個臨床挑戰。診斷主要通過各種成像方式進行,特別是角膜地形圖、角膜斷層攝影和AS-OCT。在過去的幾年里,多種AI算法在該領域被探索應用并證明了其有效性,其中包括前饋神經網絡、CNN、支持向量機(support vector machine,SVM)學習和自動決策樹分類[15-19]。這些AI算法的優點在于能夠幫助臨床醫生區分KC眼和正常眼。通過單個角膜前地形圖區分早期KC和正常眼睛是困難的,然而,AI可以生成數千個特征,以提高基于大數據的早期KC判別能力的準確性。Smolek等[20]引入了一種神經網絡(NN)算法,通過使用樣本量有限的角膜地形圖來區分早期KC眼和KC眼。之后,許多研究使用ML算法通過角膜地形圖檢測早期KC眼。Accardo等[21]使用NN算法區分早期KC眼和正常眼,靈敏度為94.1%,特異度為97.6%。隨著Scheimpflug相機在眼科的廣泛應用,多個與AI相關的研究通過使用該系統收集角膜前表面和后表面信息檢測早期KC。Kovács等[22]應用ML算法聯合Scheimpflug相機檢測早期KC眼,靈敏度為92%。此外,Xu等[23]結合整個角膜的原始數據構建了一個名為KerNet的ML模型,KerNet有助于區分不對稱KC眼與正常眼(area under the curve,AUC=0.985)。Chen等[24]報告了一個CNN模型,該模型結合軸向圖、前后高程圖和厚度圖的顏色編碼圖,其識別健康眼和早期KC眼的準確率達90%。上述研究結果顯示,盡管檢測精度因研究而異,AI在使用Scheimpflug相機檢測早期KC方面仍具有巨大潛力。Scheimpflug相機捕獲的低分辨率圖像信息有限是可能的原因之一。近年來,基于AI算法,一些研究試圖結合來自多種儀器的角膜信息,以提高早期KC的檢測精度。Shi等[25]結合了Scheimpflug相機和AS-OCT,從121眼影像學資料中提取角膜形態特征,量化角膜上皮信息以區分早期KC眼和正常眼(AUC=0.93)。因此,不同維度的角膜信息可以提高早期KC的檢測精度,AI將成為通過綜合分析角膜特征檢測早期KC的有用工具。

4.1.3糖尿病性角膜神經病變糖尿病性周圍神經病變(diabetic peripheral neuropathy,DPN)是1型和2型糖尿病最常見的并發癥[26]。早期篩查和診斷是降低危險因素以預防或延緩DPN進展的關鍵[27]。IVCM可定量角膜基底下神經叢以檢測早期DPN[28]。Scarpa等[29]使用CNN算法對50例健康受試者和50例患有神經病變的糖尿病受試者的IVCM圖像進行分類,該CNN算法提供了一種完全自動化的分析方法,用于識別有臨床意義的角膜神經病變特征(準確率=96%)。Preston等[30]基于369例受試者的IVCM圖像,利用CNN算法從圖像中提取特征并對DPN進行分類,結果發現,F1評分最高(0.91分)。針對角膜神經纖維,Williams等[31]對于222例受試者的IVCM圖像應用一種基于DL的算法分析神經纖維長度、分支和分形數及彎曲度,以診斷DPN及其嚴重程度,與ACCmetrics自動神經分析軟件比較,該算法測量的所有神經參數均優于ACCmetrics,對DPN的鑒定具有87%的特異度和68%的靈敏度。Meng等[32]開發了一種DL算法,使用基底下神經叢的角膜共聚焦顯微鏡(corneal confocal microscopy,CCM)圖像對279例糖尿病或糖尿病前期受試者周圍神經病變(PN)的存在與否進行分類,結果發現,對PN的診斷靈敏度為0.91(95%CI0.79～1.0),特異度為0.93(95%CI0.83～1.0),AUC為0.95(95%CI0.83～0.99),因此,利用快速眼科成像技術CCM進行基于AI的診斷有助于篩查DPN和糖尿病視網膜病變。

4.1.4角膜營養不良角膜營養不良主要由角膜內皮細胞或基底膜的遺傳缺陷引起,通常在裂隙燈顯微鏡下發現,可通過相關的基因檢查進行診斷。AI已被開發用于識別角膜營養不良,Gu等[33]開發了一種新穎的分層DL網絡,該網絡由一系列多任務多標簽學習分類器組成,由10名眼科醫生測試了該算法的性能,該數據集納入510例新入組的患有傳染性角膜炎、非感染性角膜炎、角膜營養不良或變性及角膜腫瘤疾病的門診患者,診斷角膜營養不良或變性的AUC為0.939,其靈敏度和特異度與所有眼科醫生的平均值相似或更好。Fuchs內皮角膜營養不良(Fuchs’ endothelial corneal dystrophy,FECD)特征是進行性角膜內皮細胞丟失,可能導致角膜失代償和視力下降,Eleiwa等[34]提出了利用DL方法以自動區分健康角膜與早期和晚期FECD的研究,使用18720張AS-OCT圖像(9180張:健康;5400張:早期FECD;4140張:晚期FECD)用于開發和驗證DL分類網絡,結果發現,最終模型的AUC為0.997±0.005,檢測早期FECD的靈敏度為91%,特異度為97%,AUC為0.974±0.005;檢測晚期FECD的特異度為98%,靈敏度高達100%,AUC為0.998±0.001。因此DL算法是一種精確的自主新型FECD診斷工具,可用于FECD嚴重程度的高精度分級。

4.1.5角膜手術

4.1.5.1屈光手術隨著對最佳視力及處理術后并發癥需求的增加,屈光手術領域的AI相關研究越來越多,特別是角膜激光屈光手術后擴張風險的術前篩查。由于易受原有生物力學削弱(如亞臨床KC)或外科手術的影響,原本正常角膜的生物力學也會被削弱。屈光手術前的篩查對于確定具有醫源性擴張高風險的患者非常重要[35]。然而,由于角膜表面或厚度的改變輕微,檢測有醫源性擴張高風險的眼睛仍然具有挑戰性。Lopes等[36]引入了Pentacam隨機森林指數(PRFI),在角膜地形圖提示正常的情況下考慮擴張時,PRFI的靈敏度為85.2%,特異度為96.6%。Xie等[35]利用6465張角膜斷層掃描圖像作為數據集,開發了Pentacam InceptionResNetV2屈光手術篩查系統(PIRSS),這是一種基于斷層掃描的篩查工具,建立在DL架構上,用于識別有術后擴張風險的屈光手術,結果發現該系統鑒別疑似擴張的靈敏度為80%,診斷早期KC的靈敏度為90%,總體診斷準確率為95%,AUC為0.99,在鑒別正常角膜、疑似不規則角膜和KC方面,PIRSS比Belin-Ambrósio增強擴張顯示(Belin-Ambrósio enhanced ectasia display,BAD)分類器更準確(93.7%vs86.2%)。此外,使用BAD的可疑類別的假陽性率為10%,而使用PIRSS的假陽性率為1.7%。盡管該技術的準確性很高,但仍需要對患者進行縱向隨訪,以了解哪些患者確實出現了擴張,并進行外部驗證才能有效地使用該技術[37]。

4.1.5.2角膜移植術據眼庫報道,對角膜移植組織的需求正在增加,這帶來了巨大的財務和公共衛生負擔[38]。AI方法可以幫助角膜外科醫生更好地評估是否進行角膜移植術。Yousefi等[39]提出了一個基于AI系統,包括線性和非線性數據轉換,并應用于每位患者基線訪問的角膜參數,該方法有助于使用AS-OCT信息識別KC或內皮移植風險較高的患者(3495例受試者),而且還可以幫助醫生根據角膜信息更好地決定何時以及采取侵入性更小的干預措施。Hayashi等[40]建立了一個DL網絡模型Visual Geometry Group-16,以預測深前板層角膜移植術(DALK)過程中成功形成大氣泡(successful big-bubble,SBB)的有效性,結果顯示該模型的AUC達到0.75,SBB的測定成功率為78.3% (18/23眼)(95%CI56.3%～92.5%),該自動化系統展示了在DALK中預測SBB的潛力。Treder等[41]開發了一種基于DL的方法,使用1172張AS-OCT圖像(609張:附著移植物;563張:分離移植物)訓練和測試深度卷積神經網絡(deep convolutional neural network,DCNN),以自動檢測Descemet膜內皮角膜移植術(DMEK)后的移植物脫離(GD),結果發現分類器的靈敏度為98%,特異度為94%,準確率為96%。Vigueras-Guillén等[42]開發了一種DL方法,用于分析41眼術后1、3、6、12mo用Topcon SP-1P角膜內皮顯微鏡獲得的383張超薄后彈力層剝離自動內皮角膜移植術后圖像,評估參數是角膜內皮細胞密度(ECD)、變異系數(CV)和六邊形細胞比例(HEX),并對所有圖像進行手動分割,結果得到角膜測量參數的成功率為98.4%,高于Topcon軟件的71.5%,因此研究證實所提出的DL方法即使在具有挑戰性的病理性角膜鏡面圖像中也能獲得可靠和準確的估計。

4.2結膜疾病

4.2.1翼狀胬肉翼狀胬肉是一種常見的良性增生性疾病,其特征是角膜上皮下結膜生長異常[43]。目前,翼狀胬肉的分級主要基于醫生的主觀評價。因此,AI可用于開發高效的翼狀胬肉自動分級系統[44]。Wan等[45]開發了一種基于眼前節照片的圖像處理方法,使用預處理、角膜分割、特征提取和分類4個模塊區分翼狀胬肉眼和正常眼,并且利用SVM和ANN對圖像處理方法的性能進行評價,結果發現,該圖像處理方法的靈敏度、特異度和AUC分別為88.7%、88.3%和95.6%。Xu等[46]開發了一種獨特的基于DL的智能診斷系統診斷翼狀胬肉,專家和AI診斷系統將圖像分為三類,即正常、翼狀胬肉待觀察和翼狀胬肉需手術,結果顯示AI診斷系統對470張被測圖像的準確率為94.68%,診斷一致性高,三組Kappa值均在85%以上。上述研究表明,AI模型在翼狀胬肉的診斷和分類預測中能夠取得滿意的結果。Zheng等[47]采用遷移學習設計了一種智能輕量級模型用于輔助診斷翼狀胬肉,該模型可以從眼前節圖像中檢測正常圖像、翼狀胬肉觀察期和需手術期的圖像,且該模型可嵌入手機,幫助用戶進行自我篩選。Gan等[48]針對集成學習的預測結果難以解釋的缺點(即黑盒子系統),引入梯度加權類激活映射(gradient-weighted class activation mapping,GradCAM),將DL過程中倒數第二層的濾波器可視化,突出顯示了用于翼狀胬肉分類的DL模型所預測的重要區域,該區域與翼狀胬肉的實際位置有高度的一致性。

4.2.2過敏性結膜炎過敏性結膜炎(AC)是一種由嗜酸性粒細胞和肥大細胞驅動的慢性眼部炎癥性疾病,結膜充血為最常見的體征[49]。許多過敏性結膜炎缺乏特征性的癥狀與體征,診斷時需要仔細詢問病史,同時密切結合其臨床表現,必要時需輔以實驗室檢查。結膜充血是眼部炎癥嚴重程度指標,因此,評估結膜充血對于治療過敏性結膜炎至關重要。Yoneda等[50]發明了一種通過球結膜的裂隙燈照片進行數字處理量化充血程度的軟件,使用RGB顏色模型通過專有算法分析提取結膜血管,并根據ROI中血管占據的面積(%)評估結膜充血,確定了以可靠和可重復的方式提取血管圖像的最佳ROI(400垂直像素×300水平像素)。Tabuchi等[51]開發了一種基于VGG-16深度學習模型的充血嚴重程度分級系統,該研究納入10186張圖像,應用裂隙燈的AI模型,并提取了0～3級圖像的分布,結果表明平均加權κ系數為0.74,準確且與臨床專家的分級高度一致,可以最大程度地減少評分者之間的主觀差異問題。

4.3晶狀體疾病

4.3.1年齡相關性白內障隨著社會結構老齡化,白內障的患病率大大增加。基于裂隙燈圖像、可見光波長圖像和眼底圖像等不同類型的圖像,已應用SVM、DCNN和卷積循環神經網絡(convolutional recurrent neural network,CRNN)等多種ML和DL算法對白內障進行自動診斷和分級以及不同嚴重程度白內障的篩查和診斷、后囊膜混濁(posterior capsular opacification,PCO)、優化人工晶狀體(intraocular lens,IOL)度數計算[52]。Xu等[53]使用眼底成像技術和基于堆疊多特征的技術區分白內障的嚴重程度,利用ResNet18(殘差網絡)和GLCM(灰度共現矩陣)與SVM和一個全連接神經網絡(FCNN)進行六級分級,準確率高達92.7%。除了白內障的自動檢測分級外,Jiang等[54]研究結果表明,結合DCNN和長短期記憶方法的一種DL算法TempSeq-Net能夠根據裂隙燈圖像預測隨訪2年后需要YAG激光囊膜切開術的后發性白內障的進展,準確率極高(92.2%)。此外,一些研究也報道了AI在診斷白內障術后并發PCO中的應用。Mohammadi等[55]開發了一種基于ANN的算法預測嚴重PCO的風險,其準確率為87%。基于AI的IOL度數計算顯示出更高的精度,其中包括Hill-Radial Basis Function(RBF)計算器、Kane公式、PEARL-DGS公式和Ladas公式[56]。Li等[57]研究了集成ML算法以準確預測前房深度(ACD)的方法,旨在改善現有IOL計算公式的預測誤差,數據集共收集了4806例患者,并將其分為訓練集(5761眼)和測試集(961眼),結果顯著提高了所有4個IOL計算公式(Haigis、Hoffer Q、Holladay和SRK/T)的預測準確性。

4.3.2先天性白內障由于缺乏視覺刺激,先天性白內障(congenital cataract,CC)不如成人白內障均勻,手術的實施與否取決于弱視的風險,兒科檢查很難獲得一致的高質量裂隙燈圖像[58]。因此,早期有效準確地區分CC患者和健康兒童尤為重要。Lin等[59]最近開發了一種用于識別CC高危人群的ML模型,該研究納入2005例受試者,包括1274例CC患兒和731例健康對照者(非影像學)的出生史、家庭病史和其他環境因素信息,采用隨機森林(random forest,RF)和自適應boosting方法進行測試,在多個識別模型的AUC為0.94～0.96,均表現出較高的鑒別力。此外,利用AI可以進行精確有效的CC患者的隨訪管理以及并發癥的篩查,Long等[60]使用貝葉斯和DL算法創建了CC-Guardian,這是一種融合了個性化預測和調度以及智能遠程醫療隨訪預測的AI模型,用于篩查CC患者長期風險很高的的兩種并發癥,即高眼壓和視軸混濁,結果發現,其預測視軸混濁AUC為0.944,預測眼壓升高AUC為0.961,表明AI能實現真正的醫療效益,并為有效管理CC提供了一種新方法。

4.4眼瞼腫瘤眼瞼腫瘤是眼科臨床實踐中最常見的腫瘤[61-62]。眼瞼腫瘤常位于眼表,易于發現,診斷主要包括影像學CT或MRI、眼部超聲、彩色多普勒檢查和病理檢查,由于眼瞼有多種組織類型,因此可發生各種良性和惡性腫瘤。眼瞼惡性腫瘤因其靠近眼球、大腦和鼻竇,可導致面部毀容,甚至可能由于向顱內或全身轉移而致死[63-64],因此眼瞼惡性腫瘤的早期識別和治療可獲得最滿意的面容和功能結果。此外,雖然眼瞼黑色素瘤和皮脂腺癌是一種罕見的病變,死亡率高[65-66]。然而,如果能在早期發現(皮膚浸潤深度≤0.76mm),這些眼瞼惡性腫瘤的5年生存率可超過99%[65]。因此,早期發現這些眼瞼惡性腫瘤相當關鍵。

良性和惡性眼瞼腫瘤有時具有重疊的特征,對于初級保健醫生、皮膚科醫生和沒有足夠經驗的眼科醫生來說,區分它們具有挑戰性。結合眼瞼腫瘤圖像使用DL算法可能實現眼瞼惡性腫瘤的早期自動識別,潛在的好處包括增加可疑病例的可及性和可負擔性。此外,為了使醫生和疑似患者能夠主動跟蹤眼瞼腫瘤,更早地識別惡性腫瘤,該算法應該能夠在圖像內自主定位眼瞼腫瘤。

5 AI輔助眼前節疾病診斷的挑戰和策略

AI在眼前節疾病的應用仍處于起步階段,在實際臨床環境中實施之前仍面臨著多個挑戰:(1)眼前節成像技術和方法的標準化比眼底成像更困難,這主要是由于光束的放大倍率、對比度、角度和寬度及角膜透明性的變化。在標準化過程中需要考慮上述因素,以確保圖像質量和可用性[1]。因此,由專家注釋和分割的高質量數據獲取是非常耗時的。為了克服這個問題,半監督學習和無監督學習方法變得越來越重要,尤其是對于數據敏感的算法(如CNN),因為它們可以在缺少大量標記數據的情況下,利用未標記數據來提高模型性能,降低依賴大規模標記數據的需求。因此,從反映現實世界環境的異構隊列中獲得的大型數據集是必要的,但這個過程必須遵守醫學法律和數據的安全性及設定的規則。(2)算法的外部驗證面臨諸多挑戰[67]。一些研究中的DL算法在開放數據集上進行了驗證和測試,在實際應用于臨床診斷和治療時,由于圖像質量、拍攝設備、患者配合等方面的差異,會降低其性能,因此提高圖像質量、拍攝設備和患者配合度非常重要。(3)部分研究使用的樣本量較小[68]。一些研究中使用的數據集樣本量較小,導致AI模型性能不穩定,結果差異較大,因此,增大樣本量可提高AI臨床診斷的準確性。(4)AI模型數據集存在偏差[69]。當使用高質量的數據集進行訓練和驗證時,AI模型最有可能成功。然而,許多研究使用的是小型或常見的數據集(其中一些數據可能存在偏差),研究結果存在一定偏差,導致AI模型的外部適用性較低。AI專注于在輸入和首選輸出之間建立聯系,因此,重要的是要確保這些AI模型針對相關因素而不是混雜因素,以避免“垃圾進,垃圾出”的問題。理想的輸入應具有高圖像分辨率、高精度的數據輸入、最小的觀察者間變異性,再加上包括裂隙燈適配器、智能手機和云計算在內的新技術,以改善工作流程。因此,我們提出了一個圖像質量評估系統,在納入數據集之前,圖像需要根據以下項目進行評分:圖像分辨率和色彩深度、圖像特征、圖像來源、解剖結構、圖像失真度、圖像逼真度、附注、圖像格式、描述和信息來源。在每個項目中,都有不同的質量水平,10表示最佳,0表示最差。評估項目詳情見表1。(5)“黑匣子”效應[1],即對某些參數或特征給予更多權重的決策過程并不明顯。DL模型的一些隱藏行為仍需要進一步研究,而在臨床實踐領域,模型的可解釋性非常重要。臨床醫生需要了解模型的決策依據,以便對患者的診治和護理做出更明智的決策。因此,具有可檢查決策步驟和可解釋性的算法對于臨床實踐也具有價值。

表1 數據集中的圖像建議評估標準

6 AI輔助眼前節疾病診斷的未來發展方向

成人和兒童眼前節疾病的不少領域尚未用AI進行探索,并具有未來應用的潛力。自動檢測系統與遠程醫療的結合,使患者可以更廣泛地獲得優質的醫療保健服務,特別是如果它們與訓練有素的專家相匹配。目前,算法和臨床實踐的實現之間存在一定差距,需要持續關注轉化研究。大數據,特別是那些來自電子健康記錄的數據,是寶貴的未開發資源,可用于促進強大的AI系統的培訓和開發[70]。目前,角膜疾病和白內障已經成為全球負擔,但篩查這些疾病的需求仍未得到滿足,特別是在眼科醫療資源貧乏的國家。隨著眼前節疾病方面的研究進展,基于影像和非影像的AI算法很可能能夠及時診斷和治療角膜疾病和白內障,并在屈光手術領域取得進展。

盡管AI研究在過去10年中取得了巨大的進展,但它們主要基于固定的數據集和靜態環境。AI系統的性能通常在開發時就已確定。然而,世界并不是一成不變的,這就要求AI系統應該像臨床眼科醫生一樣,可以在動態環境中不斷地持續學習以適應不斷變化的世界。持續學習技術,如基于梯度的學習、模塊化神經網絡和元學習,有可能使AI像臨床眼科醫生那樣終生學習。這些技術可以通過提高學習效率和實現相關任務之間的知識轉移,使AI提升到更高的水平。

7 小結

雖然AI在眼前節疾病的臨床診斷中的應用仍面臨諸多挑戰。目前AI對眼前節疾病診斷的研究表明,AI可以從訓練集中獲取疾病特征,并將其應用到驗證或測試集中,以診斷相應的疾病。AI可以根據疾病特征將圖像分類為不同的類型,如疾病分類和分期。此外,AI還可以檢測和分割圖像中的解剖結構,如病變形狀,實現圖像生物標志物的自動量化并進行輔助診斷。因此,基于這些優勢,AI技術在臨床診療中的應用具有無限的潛力和顯著的前景。

形成指南專家組成員：

執筆專家：

邵 毅 南昌大學第一附屬醫院

接 英 首都醫科大學附屬北京同仁醫院

譚 鋼 南華大學附屬第一醫院

陳 蔚 溫州醫科大學附屬眼視光醫院

黃錦海 復旦大學附屬眼耳鼻喉科醫院

鐘 菁 中山大學中山眼科中心

李 煒 廈門大學眼科研究

李中文 溫州醫科大學附屬寧波市眼科醫院

張 慧 昆明醫科大學第一附屬醫院

胡 亮 溫州醫科大學附屬眼視光醫院

王 烽 梅州市人民醫院

邵婷婷 復旦大學附屬眼耳鼻喉科醫院

胡建章 福建醫科大學附屬協和醫院

李貴剛 華中科技大學同濟醫學院附屬同濟醫院

李 程 廈門大學眼科研究所

鄒文進 廣西醫科大學第一附屬醫院

陶 勇 首都醫科大學附屬北京朝陽醫院

郜 原 山西醫科大學

黃曉丹 浙江大學醫學院附屬第二醫院

劉 昳 南京中醫藥大學附屬南京市中醫院

鄧志宏 中南大學湘雅三醫院

謝華桃 華中科技大學同濟醫學院附屬協和醫院

李世迎 廈門大學附屬翔安醫琦驊

董 諾 廈門大學附屬廈門眼科中心

樂騎跨 復旦大學附屬眼耳鼻喉科醫院

鄭欽象 溫州醫科大學附屬眼視光醫院

田 磊 首都醫科大學附屬北京同仁醫院

楊衛華 深圳市眼科醫院 深圳市眼病防治研究所

趙 慧 上海交通大學醫學院附屬第一人民醫院

傅振遠 中山大學中山眼科中心

文 丹 中南大學湘雅醫院

蔡建奇 中國標準化研究院

陳新建 蘇州大學

許言午 華南理工大學

彭 娟 廣州醫科大學附屬第二醫院

石文卿 復旦大學附屬金山醫院

葛倩敏 南昌大學第一附屬醫院

溫 鑫 中山大學附屬孫逸仙紀念醫院

參與起草的專家(按姓氏拼音排列)：

陳 程 南昌大學第一附屬醫院

陳景堯 昆明醫科大學附屬延安醫院

陳 俊 江西中醫藥大學

陳 蘋 上海交通大學附屬仁濟醫院

陳 序 荷蘭馬斯特里赫特大學

陳 雨 上海大學

成 喆 長沙愛爾眼科醫院

鄧宇晴 中山大學中山眼科中心

董 靜 山西大學第一附屬醫院

耿志鑫 天津視達佳科技有限公司

顧正宇 安徽醫科大學第一附屬醫院

韓 憶 廈門大學眼科研究所

韓 云 廈門大學眼科研究所

何 昕 廈門大學第一附屬醫院

賀 佳 濟寧醫學院

胡麗丹 浙江大學醫學院附屬兒童醫院

胡瑾瑜 南昌大學第一附屬醫院

胡曉琴 南昌大學附屬眼科醫院

黃彩虹 廈門大學眼科研究所

黃曉明 四川眼科醫院

黃永志 四川大學華西醫院

康紅花 廈門大學眼科研究所

康 敏 南昌大學第一附屬醫院

黎 黎 西安交通大學附屬第一醫院

李海波 廈門大學附屬廈門眼科中心

李亨輝 南昌大學第一附屬醫院

李 潔 溫州醫科大學附屬眼視光醫院

李凱軍 廣西醫科大學第一附屬醫院

李乃洋 中山市人民醫院

李清堅 復旦大學附屬華山醫院

李植源 郴州市第一人民醫院

羅麗丹 梅州市人民醫院

梁榮斌 復旦大學附屬金山醫院

林志榮 廈門大學附屬廈門眼科中心

令 倩 南昌大學第一附屬醫院

劉光輝 福建中醫藥大學附屬人民醫院

劉 源 美國Bascom Palmer眼科中心

劉秋平 南華大學附屬第一醫院

劉昭麟 南華大學附屬第一醫院

劉祖國 廈門大學眼科研究所

馬 健 浙江大學醫學院附屬第二醫院

馬 偉 中山大學中山眼科中心

歐尚坤 貴州醫科大學附屬醫院

歐陽維杰 貴州醫科大學附屬醫院

強 薇 溫州醫科大學附屬寧波眼科醫院

邱坤良 汕頭大學·香港中文大學聯合汕頭國際眼科中心

邱偉強 北京大學第三醫院

任勝衛 河南省眼科醫院

邵一磊 溫州醫科大學附屬眼視光醫院

施 策 浙江大學醫學院附屬第二醫院

蘇 婷 武漢大學人民醫院

蘇兆安 浙江大學醫學院附屬第二醫院

唐麗穎 廈門大學附屬中山醫院

佟莉楊 溫州醫科大學附屬寧波市眼科醫院

王 賀 徐州醫科大學附屬醫院

王 燊 北京茗視光眼科

王少攀 廈門大學人工智能實驗室

王雪林 江西醫專第一附屬醫院

王怡欣 英國卡迪夫大學

魏 紅 南昌大學第一附屬醫院

吳潔麗 長沙愛爾眼科醫院

吳 愷 南華大學第一附屬醫院

吳 漾 復旦大學附屬中山醫院廈門醫院

夏 蔚 蘇州大學附屬第一醫院

徐三華 南昌大學第一附屬醫院

楊 陽 岳陽市第一人民醫院

姚 勇 廣州希瑪林順潮眼科醫院

楊海軍 南昌普瑞眼科醫院

楊啟晨 四川大學華西醫院

楊 舒 昆明市第一醫院

楊文利 首都醫科大學附屬北京同仁醫院

楊怡然 河南省立眼科醫院

楊于力 陸軍軍醫大學第一附屬醫院

俞益豐 南昌大學第二附屬醫院

余 瑤 南昌大學第一附屬醫院

袁 晴 九江市第一人民醫院

張 冰 杭州市兒童醫院

張 青 安徽醫科大學附屬第二醫院

張艷艷 溫州醫科大學附屬寧波市眼科醫院

張雨晴 重慶醫科大學第二附屬醫院

張玉潔 廈門大學附屬廈門眼科中心

張 真 廈門大學第一附屬醫院

張振豪 蘇州科技城醫院

朱佩文 復旦大學附屬眼耳鼻喉科醫院

朱欣悅 上海交通大學醫學院附屬第一人民醫院

朱卓婷 墨爾本大學眼科中心

鄒 潔 南昌大學第一附屬醫院

鄒 晶 中南大學湘雅醫院

利益沖突：

所有作者均聲明不存在利益沖突。本指南的制定未接受任何企業的贊助。

共識聲明：

所有參與本指南制定的專家均聲明,堅持客觀的立場,以專業知識、研究數據和臨床經驗為依據,經過充分討論,全體專家一致同意后形成本指南,本指南為中國醫藥教育協會眼科影像與智能醫療分會及國際轉化醫學會眼科專業委員會部分專家起草。

免責聲明：

本指南的內容僅代表參與制定的專家對本指南的指導意見,供臨床醫師參考。盡管專家們進行了廣泛的意見征詢和討論,但仍有不全面之處。本指南所提供的建議并非強制性意見,與本指南不一致的做法并不意味著錯誤或不當。臨床實踐中仍存在諸多問題需要探索,正在進行和未來開展的臨床診療將提供進一步的證據。隨著臨床經驗的積累和治療手段的涌現,未來需要對本指南定期修訂、更新,為受檢者帶來更多臨床獲益。