原标题：人工智能在白内障诊疗中的应用进展 | 《眼科学报》杂志文章精选
今天分享的是西南医科大学临床医学院康刚劲 教授团队的“人工智能在白内障诊疗中的应用进展”综述。
人工智能在白内障诊疗中的应用进展
赵越越 综述；康刚劲 审校
1 AI 的定义与发展
AI是研究利用计算机模拟、延伸和扩展人类智力活动( 如学习、推理、思考等) 的技术科学， 主要包括计算机实现智能的理论、制造类似于人脑智能的计算机，从而使计算机能实现更高层次应用的方法、技术及应用系统。在过去，计算机通过一套指令或算法来完成一项任务，但这不是真正意义上的AI，只是简单地按照指令操作。它的适应性仅限于预先编程中预期和考虑到的那些方面。此外，编程人员对技术的理解也使得它的功能有着局限性。AI是一种多维技术，具有多种组件，如高级算法、机器学习(machine learning， ML)和深度学习(deep learning，DL)[1]。ML是一种AI过程，在这个过程中，程序将由机器来书写， 并进一步完成设定的任务。这个过程的第1步是分配1项任务，例如将裂隙灯下的照片分成白内障和非白内障2个部分，为完成这项任务，机器将需要大量的裂隙灯下照片来学习(训练数据集)以及1个单独的数据库进行验证( 验证数据集)；随后验证数据集，即由眼科专家用正确的白内障或非白内障分组来精确地标记每幅图像，然后输入训练数据，机器就会得出自己的答案；再将其答案与正确的答案进行核对。如果机器的答案有很高的错误率，将重新评估它的算法，调整它的内部可调参数，进而得到更精确的结果。通常1次从图像学习1个特征然后再给机器输入同样的训练数据，并生成1组新的答案。这个过程无限次地进行，直到结果稳定或达到期望的输出[2]。
2 白内障诊疗现状
晶状体在光学上是透明的，主要由水和蛋白质组成，它的形状、透明度和折射率能使光线聚焦到视网膜上。白内障是指晶状体透明度降低或颜色改变所导致的光学质量下降的退行性改变[11]。白内障会导致视力受损甚至失明，它的发生与年龄、遗传、外伤、代谢异常等因素有关。随着全球人口老龄化，白内障的发病率逐渐增高。据世界卫生组织[12]统计，到2025年，白内障致盲人数将达到4 000万。白内障是世界范围内视力障碍的主要原因，在中低收入国家中，50%的失明病例是由白内障导致的[13-14]。目前，手术是白内障最有效的治疗方法。由于人口老龄化以及对更高视觉功能的需求，手术的需求正在上升[15-16]。然而，在白内障的诊断和管理方面，医疗资源不均衡，特别是欠发达国家。在发达国家中，接受白内障摘除手术的患者可以恢复较好的全功能视力，但在中低收入国家，白内障手术率(cataract surgical rate， CSR)较低，白内障仍然是一个令人困扰的问题， 也是可预防的视力障碍的主要原因[11]。
白内障给患者带来的经济负担要远高于治疗成本，所造成的社会和心理负担也很大。在欠发达国家中，白内障手术被列为最具成本效益的公共卫生措施之一。但由于人口的增长和老龄化， 世界范围的失明负担正在增加[17-18]。此外，儿童白内障是一种常见的眼科疾病，严重者可造成永久性视力损害，极大地降低了生活质量[19]，其影响到全世界约20万名儿童。据估计，每1万名活产婴儿中有4.24名患有白内障[20]。儿童白内障患者的无症状进展在早期难以发现，父母也难以发现；一旦儿童白内障进入更严重的阶段，目前的干预措施尚不能逆转视力损害[21]。因此，白内障的早期诊断和及时处理对提高患者的生活质量和减少医疗负担至关重要[22]。AI辅助诊疗技术在筛查上的巨大优势使得改变疾病诊疗策略，提升基层初级保健机构筛查准确性与覆盖率成为可能。
3 AI 在白内障诊疗中的应用
3.1 AI 与白内障的诊断、筛查
随着AI 技术的进步，诊断算法不断完善。2019年，一种“多特征叠加”的模式[27]利用DL算法，根据眼底图像自动将白内障分为6级，其包括以下3个过程：第一，深度神经网络对眼底图像进行特征提取；第二，获取原始图像和血管图像纹理特征；第三，叠加进行多模型训练，叠加可以利用多个分类器进行集成学习，减少综合误差， 提高白内障分级诊断效果。它可以消除部分拍摄过程中对图像的干扰，并通过引入叠加算法提高模型的泛化性，从而更好地处理未知样本。使用该方法对白内障进行六级分级的准确率平均可达到92.66%，最高达到93.33%。使用该方法对白内障进行四级分级，精确度可达到94.75%，比现有方法至少提高1.75%。目前，该方法更适宜中重度白内障的诊断，可应用于筛选适宜手术的患者，对于诊断轻度白内障尚需进一步探索。
3.2 AI 与白内障手术
3.2.1 AI 与人工晶体屈光度计算
白内障手术的目的是改善患者的整体视觉功能，但随着人们对生存质量要求越来越高，白内障手术已从复明手术逐渐演变成为屈光手术。随着需求的增加，普遍接受的术后屈光目标是在正视眼或轻微近视0.50 D以内，已有的任何一个单一未优化的公式只能达到70%~80%，约1/4的患者术后屈光度偏离目标屈光度超过0.50 D[28]。这种屈光差异可能会导致需要进行眼镜矫正或进一步的手术来解决剩余的屈光不正。尽管计算公式有了改进和进步，创造了新一代的计算公式如Barrett， Olsen和Hill-RBF公式，但每个公式在某些情况下仍然有局限性，于是催生了整合AI与计算公式的系统；由于它整合了其他公式，其适用于计算典型和非典型的眼轴长度、角膜曲率和前房深度， 不必从多个公式中人工选择最匹配的计算方式， 减轻了医生的负担。
2020年，Siddiqui等[29]提出了AI整合人工晶体计算公式的系统以获得最佳术后视力。在初始状态下，以眼轴长度、角膜曲率、前房深度、晶状体常数和目标屈光值作为输入参数，优化过程是基于眼轴长度、角膜曲率和前房深度进行计算的调整。一项小规模研究使用了该系统，结果表明治疗效果显著改善，达到0.50屈光度误差预测率从76%(使用标准公式)到80%(使用AI算法公式)。AI 可以进一步帮助非典型参数的患者达到更高术后视力，减少公式预测和实际术后屈光结果之间的差异[29]。在未来，这个系统可以进一步训练和发展，增加更多的参数以达到更高的精度，协助年轻医生做出更精准的诊疗计划。
3.2.2 AI 与白内障术中辅助
3.2.3 AI 与后发性白内障评估
后发性白内障是白内障手术最常见的并发症。研究[31]显示：在标准手术3 年后， 5%~20% 以上的患者因其导致继发性视力下降，需要进行Nd :YAG激光后囊膜切开术，预测后发性白内障的发生率可为患者提供更准确的术后视觉评估。2012 年， Mohammadi等[32]提出了一种AI预测超声乳化术后后囊膜混浊风险的系统，并对老年性白内障手术后眼的后囊膜状况及是否需要行激光后囊切开术进行分析。该系统随机选取282 只眼睛对模型进行训练，随后对70 只眼睛进行测试， logistic回归分析显示准确率达到80%[32]。Nd:YAG 激光后囊膜切开术后可能发生视网膜脱离、黄斑水肿、角膜水肿和人工晶状体移位等并发症[33]， 相信未来更智能的AI分析帮助我们预测并发症发生，改善患者护理。
3.3 AI 与白内障管理平台
远程医疗在眼科的应用目前还处于起步阶段。目前的远程眼科服务主要是通过上级医院诊断和转诊的方式进行的，这依赖于已经超负荷的医院专家来完成额外的任务。因此，患者、初级保健机构和医院之间更有效的合作模式仍有待探索。
4 AI 在眼科诊疗应用中的问题与展望
AI在白内障诊疗中的应用尚处于起步阶段， 目前还局限于白内障的初步诊断与筛查、手术相关辅助功能以及管理平台应用。而在全球老龄化日趋严重、对医疗的需求不断扩大、规范化的白内障手术技术要求、全球面临突发公共卫生事件的严重影响的形势下，加上AI尚面临较多公共问题，如数据集缺乏标准化、AI产品临床应用较少、越来越凸显的伦理问题等。针对儿童白内障配合差的情况亟需高效、无创的图像捕捉系统， 因此AI在白内障领域的应用有待进一步拓展与深化。AI在白内障诊疗中的应用范围有待扩展，除应用于诊断和筛查外，还可以扩展到白内障手术的标准化培训，以缩短学习曲线、规范手术流程、降低手术并发症。在手术辅助功能基础上， 积极开发应用白内障手术机器人，以期解决医疗人力短缺问题。在管理平台方面，可以拓展到社区医疗、健康管理、科普教育、医疗保险等方面，真正做到白内障的早期防控、筛查、治疗一体化，并切实解决诊疗费用方面的相关矛盾。随着AI在白内障领域应用与发展，医患双方都将面临一系列伦理问题，如隐私安全、患者对AI医生的认可度与信任度等，因此，对AI在白内障诊治应用中的监管、医患双方身心健康的维护等都是需要密切关注的问题。
新的AI技术将不断发展，因此未来仍需不断校正以提高其准确性，使其成为白内障临床实践的实用工具。
参考文献
资讯
j.01.2021.02.17.03
责任编辑：