人工智能技術在近視防控領域的研究進展

張曉培,黃建峰,李童燕,楊衛華

0 引言

近視是一個重要的全球性公共衛生問題,特別是在現代社會中,隨著數字化技術的普及和人們電子設備接觸時長的增加,近視的發病率呈現出令人擔憂的增長趨勢[1]。據統計,目前全球有超過14億的近視患者[2],而我國青少年的總體近視率更是遠高于世界平均水平[3]。近視的危害不僅表現為視功能的下降,更在于其可能影響青少年的生長發育和身心健康。在我國,近視防控工作已不僅僅是醫療從業者的工作,更是一項重之又重的國家戰略。現階段,近視防控工作仍然面臨諸多挑戰:發病機制不明;近視篩查工作量大;高度近視風險難以預測;療效不確定等[4]。顯然,傳統的醫療手段已經難以滿足如今近視防控工作的需求。近年來,人工智能(artificial intelligence,AI)技術在醫療衛生領域飛速發展[5-10],為解決近視防控工作的困境提供了新的思路。隨著AI技術的快速發展,其已逐步成為近視防控領域的重要工具。通過深度學習、計算機視覺和模式識別等技術,AI可以處理大量的視覺數據,并從中提取有價值的信息,為近視的早期篩查、診斷和治療提供新的機會和希望。AI的研究進展涵蓋了多個方面,包括在近視的發生、進展預測、監測、預警病理性近視、近視防控治療和眼科遠程醫療等方面的應用。本文主要就近年來AI技術在近視防控領域取得的研究進展進行綜述。

1 AI概述

AI于1956年由約翰·麥卡錫首次提出,其本質上是一種賦予計算機類似人類思維和行為方式的計算機科學,被認為是“第四次工業革命”[11]。AI發展初期的核心技術主要是機器學習(machine learning, ML)。其工作原理即:計算機編寫程序,后通過學習自己的程序以完成一項指定任務[12]。以彩色眼底照相為例,指定ML判讀輸入的照片處于正?；虿±頎顟B,并標記。ML為了完成此項任務,需要學習海量的彩色眼底照相數據(訓練數據集)并保留部分(驗證數據集)來驗證自己的算法[12]。與此同時,眼科專家需要逐一對這些彩色眼底照相進行人工精確判讀、標記,以供ML分析對照。在重復地對照,不斷地調整算法后,ML最終輸出理想結果。

由此可見,ML的工作依賴于眼科專家的精確標記,十分耗時耗力。在此基礎上,不受人為因素影響的深度學習(deep learning, DL)技術應運而生。DL技術要點即通過多層神經網絡模擬人類大腦的思維模式,利用輸入層與輸出層層間的代碼運算,解密原始大數據間的關聯,最終自動生成結果,不需要同時對數據進行人工精確標記[13]。近年來,AI技術與醫學影像的結合對眼科疾病的篩查、診斷及個體化治療產生了強大的推動力量[5-10]。在近視防控領域,AI技術的應用仍處于探索階段。但依托屈光大數據,通過AI技術進行近視防控的多維度量化監測評估,將會是未來近視精準防控的新方向[14]。

2 AI在近視發生和進展預測與監測中的應用

2.1AI在近視發生預測中的應用臨床上,診斷近視多依賴于檢影驗光等檢查,其技術已趨于成熟,結合眼軸長度、睫狀肌麻痹等手段,檢查結果較為可靠。但現有的檢查手段多只能評估患者現階段的屈光狀態,無法預測其未來是否會發生近視。此外,部分兒童及語言交流障礙者在檢影驗光過程中無法積極配合,該人群的近視度數評估工作常不能及時進行,進而延誤了治療,引起了視力不可逆轉的下降[15]。AI技術的出現使以上問題有了新的轉機。

2.1.1AI預測未來近視發生Ma等[16]基于DL開發了一款智能手機應用程序,用以學齡前兒童的視力篩查。受檢者在暗室中使用該程序即可自動獲取瞳距、屈光不正范圍等數據,結合預先輸入的個人信息,可得出近視發生的風險。他們的研究指出,此項算法預測未來近視發生的敏感性和特異性分別為0.83和1.00。黃峻嘉等[17]采用5種集成學習方法對未來近視情況進行預測,其中隨機森林模型預測效果最好,其預測未來近視發生的準確率為92.8%,有較高的參考價值。

2.1.2AI基于眼科生物學圖像評估近視度數Varadarajan等[18]最早訓練了一種可以根據彩色眼底照相的特征評估近視度數的DL算法。他們使用的2個數據集所預測結果的平均絕對誤差分別是0.56、0.91D,推斷黃斑中心凹是近視度數評估的關鍵區域。隨后Li等[19]的研究也提出,通過彩色眼底照相訓練算法可以評估近視度數并獲得較高的精確度。

AI技術除了通過彩色眼底照相評估屈光度數,近年來多項研究證實,其亦可以通過光學相干斷層成像(optical coherence tomography, OCT)等眼科檢查采集所得圖像進行近視度數的評估。Yoo等[20]開發的一種DL算法證實,近視度數的評估可以基于OCT圖像。他們認為,這種算法將有助于避免眼科醫生在進行OCT判讀時忽視與近視相關的風險評估。Yang等[21]訓練了一種DL算法,可以通過患者眼表顳側鞏膜的圖像來預判近視度數,且其診斷的敏感性和特異性均高于眼科醫生。此外,波前像差的數據與AI技術的結合在近視度數評估領域也逐漸有了一些成績。Rampat等[22]在學習了3792眼的波前像差數據后訓練了一種DL模型,成功準確評估了另外350眼的主覺驗光度數。

因此,基于眼科生物學圖像的AI技術或可在檢影驗光之余,作為輔助手段用于部分兒童及語言交流障礙者的近視度數評估,逆轉該人群近視治療不及時的現狀。

2.2AI在近視進展預測中的應用近視一旦發展成病理性近視,將會引起多種眼底并發癥,造成視力不可挽救的下降。鑒于此,利用AI技術對學齡期兒童進行近視進展的預測,并在學齡階段為其提供精準個性化的治療,將可能有效阻止其向高度近視甚至病理性近視發展[23]。

Yang等[24]基于小學生的眼部測量數據(如眼軸、角膜曲率等)和行為數據(如室內外活動時間、飲食、行為習慣等)建立了青少年近視進展的預測模型。研究結果表明,該模型具有良好的性能和準確性。中山眼科中心劉奕志團隊訓練了一種ML模型,對國內10a來8個眼科中心超過68萬的電子病歷中的年齡、等效球鏡和近視年進展率等數據進行分析,用以識別患者近視發展的規律,并預測是否會進展為高度近視[25]。他們的研究結果顯示,對于18歲是否會進展成高度近視的預測,該模型在3a內的準確率高達94%,5a和8a內的準確率也均超過了80%。該研究首次將龐大的數據與AI結合,為學齡期兒童近視進展的預測工作做出了巨大的貢獻,為未來近視的精準防控提供了可行性證據。

2.3AI在近視監測中的應用隨著近視防控工作的全面開展,人們逐漸意識到對近視患者進行有效的行為干預與近視的早期診斷同樣重要[26]。為了探討近視的發生發展與行為習慣的關系,Mrochen等[27]開發了一種名為Vivior Monitor的可穿戴設備來監測6～16歲近視兒童的視覺行為。該設備監測發現,與低齡組相比,年齡較大兒童日常行為中看遠時間少,使用電腦時間多。他們推測,年齡較大兒童近視的發生或與這些數據相關。

因此,保證充足的戶外運動時間可有效預防近視的發生[28]。目前,研究者們致力于研發可以鼓勵兒童多進行戶外運動的可穿戴設備。新加坡眼科研究所開發了一種新型可穿戴追蹤器,配備一個智能手表連接手機APP,可以記錄兒童的戶外活動時間,并將反饋信息發送給父母,提醒他們及時糾正其子女的視覺行為[29]。

前文已述,Mrochen等[27]的研究提示近距離用眼(如使用電腦)與近視的發生發展相關。利用AI技術,對該行為進行干預,將會是近視防控工作的一個重要環節。Cao等研發了一種附著在眼鏡側面的云傳感器設備,可以客觀動態地監測配戴者的近距離工作時間[30-31]。如出現超短距離用眼或超長時間視近工作,該設備均會發出振動警報以提醒配戴者及時糾正以上不良行為。

3 AI在預警病理性近視中的應用

病理性近視常伴有眼底并發癥如黃斑劈裂、視網膜脫離、脈絡膜新生血管等[32],如果治療不及時,將可能導致視力不可逆性的下降[33]。因此,對病理性近視患者而言,尤其是中青年患者,早發現早診斷早治療顯得尤為重要。然而,病理性近視的診斷高度依賴于眼底相關的影像學檢查,不僅過程費時,更需要診斷醫生對檢查結果的高水準判讀[34]。

近年來,AI技術在預警病理性近視方面的勢頭不容小覷。Hemelings等[35]開發了一種基于DL算法的模型,他們訓練了400張彩色眼底照相,在成功診斷出病理性近視(AUC為0.9867)的同時,還對病理性近視引起的眼底病變進行了分級。同時期不乏類似報道[36-37],均通過DL模型自動識別病理性近視的黃斑病變,并將后者進行分級,證實了AI技術在預警病理性近視方面的能力。

此外,OCT的圖像報告也被AI技術研究者們用以輔助診斷病理性近視。Li等[38]為了識別包括視網膜裂孔、黃斑裂孔、視網膜脫離和脈絡膜新生血管在內的4種病理性近視眼底并發癥,他們基于患者的OCT圖像訓練了4個獨立的DL模型。最終研究顯示,該模型的AUC高達0.961～0.999,兼具高敏感性及高特異性。Sogawa等[39]同樣利用OCT圖像構建CNN模型用以識別病理性近視的眼底并發癥,模型獲得了良好的敏感性和AUC評分。

4 AI在近視防控治療中的應用

隨著如今醫療水平的不斷提升,AI技術的不斷推進,近視人群的早期診斷率有了大幅度的提升。在此基礎上,如果能夠給予及時有效的個體化治療手段,或許能夠最大程度降低該人群病理性近視甚至眼底并發癥的發生率。目前,被證實有效的措施包括低濃度阿托品滴眼液、周邊離焦框架眼鏡和角膜塑形鏡等[35]。

Wu等[40]使用多種ML模型回顧性分析了低濃度阿托品的使用對近視患者眼壓的影響。他們發現,其中表現最好的是極端梯度提升(xtreme gradient boosting, XGBoost)模型,其在預測阿托品療效和潛在副作用等方面顯示出了較大的潛力。

既往研究證實,角膜塑形鏡驗配階段減少試戴次數可以明顯降低眼部感染的風險[41]。Fan等[42]成功構建了角膜塑形鏡重要參數定位弧(alignment curv, AC)的ML模型,以嘗試通過實現試戴次數的最少化來最大程度減少眼部感染的可能。該團隊的另一項研究同樣肯定了AI技術在角膜塑形鏡驗配方面的應用價值[43],他們基于患者的角膜地形圖訓練了一種ML模型,可以準確預測角膜塑形鏡反轉區深度(return zone depth, RZD)和著陸區角度(landing zone angle, LZA)。

5 AI在眼科遠程醫療中的應用

遠程醫療作為醫療領域的一種新模式,可以通過提供遠程醫療服務來解決偏遠地區人們的醫療保健問題[44]。隨著AI技術的發展和5G通信網絡覆蓋范圍的擴大,AI集成的遠程醫療平臺逐漸在近視防控領域嶄露頭角。

基于AI技術,護士等非眼科專業技術人員可在患者居家的情況下通過遠程醫療平臺,獨立完成對其的近視度數評估等檢查[26]。近來,Zhang等[26]基于AI技術,首次為近視患者制定了一個醫院-社區-家庭三位一體的個性化健康管理新模式。首先,大規模利用基于AI技術的便攜式設備定期對近視高危人群進行篩查,并將檢查數據記錄在遠程醫療平臺上。其次,利用AI對收集到的各類數據進行分析,并對該人群的近視進展風險進行分類,為其制定個性化的管理方案[45]。對尚未出現病理性近視及眼底并發癥的患者采取家庭監測的方式,并將其監測數據實時上傳至AI遠程醫療平臺,初級醫療機構可隨時讀取,一旦出現病情變化立即轉診至三級醫療機構。而對需要手術的患者則提前應用遠程醫療平臺對其進行術前篩查以評估手術風險。

6 總結與展望

在近視防控領域,跨界融合、數據共享、精準防控將會是未來的趨勢。AI作為一項新興的革命性技術,不僅有效緩解了我國醫療技術人員緊缺的困境,同時也最大程度實現了患者利益的最大化。

本文從多個方面綜合闡述了近年來AI技術在近視防控領域的研究進展。通過開發智能化的視力篩查系統,AI可以在較短的時間內對大量人群進行視力檢查,快速發現潛在的近視問題。利用AI技術,對個體的眼球結構和眼部圖像進行分析,預測近視的發展趨勢和風險程度。此外,AI還可以在近視治療和近視相關行為監測中發揮積極作用,通過個性化的治療方案和視覺訓練計劃,幫助患者管理近視并改善視力。

盡管AI在近視防控領域的研究取得了重要進展,但仍面臨一些挑戰。其中包括數據隱私和安全性、算法的可解釋性、缺乏長期的臨床驗證和實踐應用等問題[46-47]。作為近視防控領域的從業者,我們需以積極的態度正視AI技術的發展。未來的研究將繼續關注這些挑戰,并努力將人工智能技術應用于近視的早期識別、個性化預防和有效管理。

隨著其技術的不斷完善與成熟,未來AI在真實臨床場景中診治的準確性與穩定性將逐步提高,現階段的倫理問題也將逐一被解決。然而,需要注意的是,AI技術并不能取代眼科醫生和專業人士的角色,而應該作為輔助工具和決策支持系統來使用。未來,隨著技術的不斷進步和臨床實踐的積累,AI有望在近視防控領域發揮更加重要的作用,為人們的眼健康保駕護航。