眼科學人工智能

Peter Wiedemann,惠延年(譯)

0 引言

人工智能(AI)的概念最早出現在20世紀50年代,是指“機器模擬人類的智力推理、決策和行為”[1-2],由計算機來執行通常需要人類智能的任務。AI包括機器學習(ML)和深度學習(DL)組分。ML使用高質量的典范性數據樣本訓練其模型,然后將訓練數據中識別的模式或規則應用于新數據,以辨別特征或做出預測。DL是一種機器學習,其利用多層的人工神經網絡,從廣泛的數據集理解復雜的模式。

AI已經在各個醫學領域得到了應用。AI顯示出巨大潛力的一個領域是眼科,因為其高度依賴于成像技術和視覺數據[3]。近來,開發了一種基于AI的新方法,通過采用縱向的眼底影像和全基因組關聯分析,建立了人類視網膜衰老時鐘(human retinal aging clock)[4]。AI的總體潛能包括篩查、診斷分級,具備自動檢測疾病活動、復發、治療效果量化、預后的治療指南,以及確定新療法的相關靶點[5]。在過去10a,發表的眼科AI文章數量大幅增長,反映了這一主題日益增長的興趣和重要性[6]。然而,還沒有專門的期刊致力于刊載眼科AI文章,關于AI的文章分散在各種范圍和受眾均不相同的期刊上。本文簡要概述AI在眼科的主要應用、挑戰和機遇。

眼科成像技術,包括眼底數碼照相和相干光斷層掃描(OCT),是診斷和監測眼部疾病進展的關鍵方法。OCT已廣泛用于診斷和處理眼部疾病,如年齡相關性黃斑變性(ARMD)、糖尿病視網膜病變(DR)和青光眼。黃斑和視神經的OCT影像是一種很有前途的DL應用方式,這基于大量且不斷增加的OCT影像可用于訓練DL系統,這些OCT影像的結構是一致的和三維的,并且有可能從細節中發現新的疾病生物標志物。解釋OCT圖像可能具有挑戰性,特別是對于大規模篩查和縱向監測。因此,將ML和DL方法應用于OCT影像的解釋,可以提高基于OCT診斷的準確性和效率[7]。

1 眼科AI的臨床應用與益處

第一部分將討論AI在兩種最常見的、引起視力喪失的視網膜疾病,即DR和ARMD中的應用,AI在上述疾病的準確檢測和分類、實現及時干預和處理方面顯示出有希望的結果。第二部分將專注于AI在另一個全球主要致盲原因——青光眼中的作用,AI可以幫助早期診斷和疾病監測,從而帶來更好的結果。第三部分將探討AI在眼前段疾病中的應用潛能。最后,我們考量AI在提供遠程醫療方面的應用。

1.1AI在DR的應用DR是影響全球數以百萬計患者視力損害和失明的一個重要原因。早期發現和治療DR可以預防視力下降,改善生活質量。然而,由于費用、獲取機會和認識等方面的障礙,許多患者沒能及時接受眼科檢查。因此,開發基于AI的DR自動檢測算法越來越受到重視。首個由美國食品藥品監督管理局(FDA)批準的自主診斷系統使用眼底影像對DR進行診斷和分類[8]。幾種前沿的AI DR篩查技術已經商業化,并顯示出有前途的結果[9]。DL是一種通常應用的、基于AI的DR篩查系統,其可以自動從視網膜影像中提取特征,在沒有人為干預和先驗知識的情況下鑒別正常和異常病例,由此提高DR篩查的準確性和效率。基于AI的DR篩查系統的臨床影響和成本效益與傳統方法具有良好的可比性[7]。

1.2AI在ARMD的應用隨著人口老齡化,臨床上迫切需要一個強健的AI系統篩選這些患者以進行進一步評估。DL對于常規的和ARMD的OCT影像的分類是足夠的和準確的[3]。這對未來利用OCT進行自動篩查和開發計算機輔助診斷工具具有重要意義。AI將成為科學調查、診斷和治療處理決策的一部分[10]。一項臨床前期研究探討了AI支持的工具在新生血管性ARMD治療決策中的安全性和有效性[11]。定量OCT成像生物標志物可以在執行新生血管性ARMD的治療和延長方案(treat &extend regimen)中預測視力結果和治療需要[12]。黃斑OCT影像是DL研究中的一種合適且具有挑戰性的數據來源。DL與OCT技術的結合在檢測視網膜疾病和提高眼后段疾病的診斷方面是可靠的[10]。預測和預后結論進一步擴大了AI在視網膜疾病中應用的潛在益處,使個性化醫療和大規模管理成為可能[7]。ML和DL可以識別、定位和量化幾乎每一種黃斑和視網膜疾病的病理特征。此外,AI在小兒眼科中也有潛在的應用價值,如早產兒視網膜病變的自動檢測,其結果與專家診斷結果相當[13]。

1.3AI在青光眼的應用來自視神經和黃斑的結構和功能測試的信息,使青光眼成為AI應用的一個特別合適的領域[14]。DL可以分析不同類型的眼部影像,如眼底照片、OCT掃描、視野測試和房角鏡檢查視頻,并提供青光眼的自動診斷、分類和預測。DL還可以通過生成激活地圖(activation maps)突出圖像中感興趣的關鍵區域,從而增強我們對青光眼進展過程的理解[15]。診斷和疾病監測需要將臨床檢查的信息與視野測試的主觀數據和客觀生物特征數據,包括角膜厚度測量、角膜遲滯、視神經和視網膜成像相整合。由于缺乏對青光眼視神經病變的存在和進展的明確定義,這一復雜的過程變得更加難以處理,這使其容易受到臨床醫生錯誤解釋的影響。AI和AI驅動的工作流程已被認為是可靠的解決方案[16]。

1.4AI在眼前段疾病的應用AI在眼前段疾病中的應用范圍較廣,有助于各種眼部疾病的診斷、治療和預后[17-18]。這里列舉與白內障處理相關的4種應用[19]。AI可以用作遠程診斷平臺,通過裂隙燈和眼底照片對白內障患者進行篩查和診斷,并利用DL恰當地檢測和分類提供會診的白內障。一些最新的人工晶狀體公式已經應用AI提高預測精度,獲得了比傳統公式更優的術后屈光結果。AI可以通過識別視頻上白內障手術的不同階段增強白內障手術技能培訓,并通過準確預測手術步驟的時間優化手術室工作流程。AI還可以有效預測后囊混濁的進展和最終需要YAG激光后囊切開術。AI的這些進展可以改變和優化白內障處理,使提供高效的眼科診療服務成為可能。此外,AI已被證明是疾病診斷、圖像解釋和角膜地形圖繪制的高效工具[17]。

1.5遠程醫療和AI 兩者的結合為全球眼科醫生和醫療保健提供者面臨的挑戰提供了同步解決方案[20]。眼科在這兩個領域的成功可歸因于許多依賴于成像的調查技術。分析這樣的圖像既耗時又昂貴,而且容易出現人為錯誤。AI可以通過促進遠程眼科服務和減輕眼科醫生的負擔改善醫療公平性。基于AI的系統在簡化威脅視力的眼病篩查、分期和治療計劃方面至關重要,減輕眼科專家繁瑣的任務,允許更好的人口覆蓋率,并為每位患者提供最好的可能的照護[5]。

此外,AI還可以協助確認可預防的視力喪失患者,并將他們引導到醫生那里,特別是在發展中國家,訓練有素的專業人員和醫生較少,不容易見到[21]。因此,通過自動化應用系統檢測和治療DR、ARMD、青光眼及其它眼科疾病將是不可避免的[17]。基于AI的篩查項目與傳統方法一樣具有成本效益,同時保持相似的臨床有效性水平[22]。

近年來,FDA批準的AI和ML算法的數量急劇增加。截至2023-01,FDA已經批準了520多種用于醫療用途的AI和ML算法[23]。AI應用程序有各種影響其性能和價值的因素,如現實環境、數據質量和數量、AI變量、算法以及應用程序的目的和用途。在這些因素中,偏差和錯誤都可能發生。因此,在評估AI應用時,至關重要的是使用循證醫學原則——這是有時才會達到的一個標準[24]。

2 倫理方面、轉化與結論

鑒于AI在醫學和眼科學的興起,定義其準確性和可靠性將指導該領域未來的研究,增強其現實中的適應性[25]。

在眼科應用DL的潛在挑戰包括臨床和技術的挑戰、數據質量、算法結果的可解釋性、醫學法律問題,以及醫生和患者對AI“黑箱”算法的接受程度。AI在醫學實施的生物倫理挑戰可以分為六大類,即機器訓練倫理、機器準確性倫理、與患者相關的倫理、與醫生相關的倫理、共同的道德規范如義務和罪責、問責制和責任以及監管者的作用。這些類別反映出圍繞醫學和眼科AI的倫理問題所涉及的多個利益相關者[8]。

AI可能會在未來徹底改變眼科的實踐方式。通用醫學AI(GMAI)模型可以用很少或沒有特定任務的標記數據來執行各種任務[26]。快速發展、高度靈活、可重復使用的AI模型可能會帶來新發現的醫療能力。研究人員、臨床醫生、行業合作伙伴、監管機構和患者之間的協作對于將AI成功地整合到患者照護中至關重要[9,27]。因此,基于AI的篩查系統的未來發展方向和機遇包括整合多模式數據資源、結合臨床結果,并改善用戶體驗。它們必須展示臨床可接受的性能,改進AI模型在異質人群中的通用性,并提高最終用戶的信任[19]。開放獲取的數據集和軟件可以緩解這些問題,鼓勵進一步的應用[13]。將研究成果轉化為臨床實踐是AI在衛生醫療中實施的一個重大挑戰。AI的實際應用還必須解決監管和組織方面的挑戰。科學基礎是現代醫學的基本要素。因此,循證醫學原則和人的判斷必須透明地評估基于AI眼科應用的客觀性(獨立于不受控制的影響因素)、可靠性(可信任)和合法(有效性),以防止患者風險。