基于人工智能的白內(nèi)障新診療模式

王婷 綜述 汪瑞昕 林浩添 審校

中山大學(xué)中山眼科中心 眼科學(xué)國家重點(diǎn)實(shí)驗(yàn)室，廣州 510060

白內(nèi)障是我國，乃至全世界人群視力受損和盲的主要原因，發(fā)展中國家白內(nèi)障致盲人數(shù)占總盲人數(shù)的50%以上[1]。白內(nèi)障的病因主要為年齡相關(guān)性晶狀體混濁，部分還與全身性疾病、眼部創(chuàng)傷及先天性因素等有關(guān)[2-5]。隨著全球人口老齡化的逐漸加快，白內(nèi)障患病率也呈現(xiàn)逐年升高的趨勢(shì)[6]。預(yù)計(jì)到2050年，中國因白內(nèi)障導(dǎo)致的視力低下，甚至“白內(nèi)障盲”的人數(shù)將達(dá)到2 000萬。白內(nèi)障的早期診斷和及時(shí)管理對(duì)于提高患者的生活質(zhì)量至關(guān)重要[7]。目前，據(jù)中華醫(yī)學(xué)會(huì)眼科學(xué)分會(huì)統(tǒng)計(jì)，中國60～89歲人群白內(nèi)障的發(fā)病率為80%，而90歲以上人群白內(nèi)障的發(fā)病率為90%以上，而我國眼科醫(yī)生從業(yè)人員只有4.48萬人[8]。由此可見，醫(yī)患數(shù)量間的巨大差距嚴(yán)重影響白內(nèi)障患者的診斷和治療[6,9]。人工智能(artificial intelligence，AI)作為近年來發(fā)展迅猛的一門學(xué)科，是研究人類各種智能活動(dòng)的基本理論、方法和技術(shù)，進(jìn)而通過計(jì)算機(jī)的軟、硬件構(gòu)建一個(gè)智能系統(tǒng)來完成平時(shí)由人類施行的工作[10]。眾所周知，AI在圖像識(shí)別方面具有極大的優(yōu)勢(shì)，其能通過學(xué)習(xí)大量圖像數(shù)據(jù)特征進(jìn)行遷移學(xué)習(xí)并訓(xùn)練出自動(dòng)識(shí)別的模型。將AI運(yùn)用于醫(yī)學(xué)領(lǐng)域是緩解醫(yī)療資源匱乏、提高診療效率、降低成本的良好方法[11]。隨著眼科檢查設(shè)備的發(fā)展，大多數(shù)眼前節(jié)及眼后節(jié)的基本情況特征能夠以圖片形式被記錄保存，使得AI在眼科領(lǐng)域具有極大的發(fā)展前景。在白內(nèi)障領(lǐng)域，目前，AI主要被應(yīng)用于白內(nèi)障的篩查診斷、術(shù)前評(píng)估、人工晶狀體屈光度的計(jì)算及白內(nèi)障手術(shù)步驟的分析。利用深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)構(gòu)建的智能化識(shí)別可以使白內(nèi)障分級(jí)更加客觀和標(biāo)準(zhǔn)化，這些都有利于白內(nèi)障診斷和治療水平的進(jìn)步。本文就AI在白內(nèi)障領(lǐng)域的最新研究進(jìn)展進(jìn)行綜述。

1 AI在白內(nèi)障檢測(cè)及分級(jí)中的應(yīng)用

早發(fā)現(xiàn)、早診斷、早治療對(duì)提高白內(nèi)障患者的生活質(zhì)量及降低醫(yī)療成本具有重要意義。然而由于醫(yī)療資源匱乏，難以對(duì)高發(fā)人群進(jìn)行大范圍的篩查，因此基于裂隙燈照相和眼底照相等白內(nèi)障AI診斷系統(tǒng)應(yīng)運(yùn)而生。

1.1 基于裂隙燈照相的AI輔助診斷系統(tǒng)

Gao等[12]提出了一種可以從裂隙燈顯微鏡圖像中自動(dòng)學(xué)習(xí)特征且對(duì)核性白內(nèi)障嚴(yán)重程度進(jìn)行分級(jí)的系統(tǒng)，該系統(tǒng)首先通過局部濾波器對(duì)相同等級(jí)的晶狀體混濁圖像進(jìn)行聚類，濾波器濾過的特征先是被輸入卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)，然后輸入一組遞歸神經(jīng)網(wǎng)絡(luò)，以進(jìn)一步提取高階特征，最后應(yīng)用支持向量機(jī)(support vector machine，SVM)來確定白內(nèi)障嚴(yán)重程度等級(jí)；該研究采用ACHIKO-NC數(shù)據(jù)庫里的5 378張裂隙燈顯微鏡照片(白內(nèi)障等級(jí)為1～5級(jí))進(jìn)行模型訓(xùn)練，得到平均絕對(duì)誤差(ε)為0.304，精確積分一致性比(R0)為70.7%，十進(jìn)制分級(jí)誤差≤0.5(Re0.5)為88.4%和十進(jìn)制分級(jí)誤差≤1.0(Re1.0)為99.0的分級(jí)系統(tǒng)。Cheng[13]也報(bào)道了一種將新的稀疏矩陣約束學(xué)習(xí)(sparse range-constrained learning，SRCL)算法用于裂隙燈顯微鏡下晶狀體圖像自動(dòng)分級(jí)系統(tǒng)，與大多數(shù)現(xiàn)有的學(xué)習(xí)算法不同，SRCL集成了尋找稀疏表示和圖像分級(jí)功能，根據(jù)數(shù)據(jù)或特征以及醫(yī)學(xué)等級(jí)評(píng)分中最相似的原子，找到測(cè)試圖像的稀疏表示；該研究同樣采用ACHIKO-NC數(shù)據(jù)集，將白內(nèi)障分為5個(gè)等級(jí)，該白內(nèi)障分級(jí)系統(tǒng)的ε為0.322，R0為69.1%，Re0.5為78.0%，Re1.0為98.9%。為了進(jìn)一步提高白內(nèi)障AI系統(tǒng)的使用范圍，有研究提出了一種使用數(shù)碼相機(jī)拍攝的眼前節(jié)照片來診斷角膜潰瘍和白內(nèi)障的多類計(jì)算機(jī)輔助診斷系統(tǒng)，該系統(tǒng)首先對(duì)輸入的眼前節(jié)照片進(jìn)行預(yù)處理以去除鏡面反射，并使用圓形霍夫變換方法對(duì)虹膜圓形區(qū)域進(jìn)行分割，從分割的虹膜圓形中提取一階統(tǒng)計(jì)特征和基于小波變換的特征，并將其用于SVM和最小順序優(yōu)化算法中進(jìn)行分類；該研究共采用228張眼前節(jié)照片(100張正常+128張異常)進(jìn)行模型訓(xùn)練，模型預(yù)測(cè)準(zhǔn)確度為96.96%，靈敏度為97%，特異度為99%[14]。

由于先天性白內(nèi)障的特殊性，其較年齡相關(guān)性白內(nèi)障的診斷更加依賴醫(yī)生對(duì)患兒裂隙燈顯微鏡下晶狀體情況的判別[15]。Liu等[16]利用886張不同嚴(yán)重程度先天性白內(nèi)障患兒和正常兒童的晶狀體裂隙燈顯微鏡圖像(476張正常兒童圖像，410張來自中國衛(wèi)生部兒童白內(nèi)障計(jì)劃)，采用深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural network，DCNN)來自動(dòng)定位晶狀體區(qū)域和嚴(yán)重程度分級(jí)；為了驗(yàn)證CNN提取圖像深層特征的有效性，該研究結(jié)合了SVM和SoftMax分類器的特征，并將其與傳統(tǒng)的代表性方法進(jìn)行比較，定性和定量實(shí)驗(yàn)結(jié)果表明，該方法具有出色的性能，對(duì)白內(nèi)障判定的平均準(zhǔn)確度、靈敏度和特異度分別為97.07%、97.28%和96.83%，其在晶狀體混濁面積、混濁位置和密度分級(jí)中的準(zhǔn)確度分別為89.02%、92.68%和89.28%。Long等[17]建立AI輔助診斷平臺(tái)對(duì)健康兒童和白內(nèi)障患兒的眼前節(jié)裂隙燈顯微鏡圖像進(jìn)行二分類識(shí)別，該研究納入1 349張小兒眼前節(jié)裂隙燈顯微鏡照片進(jìn)行模型開發(fā)與驗(yàn)證，CNN根據(jù)晶狀體混濁的位置(中央或周圍)、密度(密集或非密集)和面積(廣泛或有限)評(píng)估疾病嚴(yán)重程度，并提供治療建議(手術(shù)或隨訪)；通過與眼科專家給出的結(jié)果進(jìn)行比較發(fā)現(xiàn)，AI算法識(shí)別出先天性白內(nèi)障患者的準(zhǔn)確率為98.87%，對(duì)晶狀體輕、中、重混濁程度判定的準(zhǔn)確率分別為93.98%、95.06%、95.12%，并對(duì)97.56%以上的先天性白內(nèi)障患者給出了正確的治療建議。

Wu等[18]報(bào)道了一個(gè)集成AI的遠(yuǎn)程醫(yī)療平臺(tái)，用于篩查和轉(zhuǎn)診白內(nèi)障患者，其中包括2個(gè)部分內(nèi)容：第一部分使用殘差網(wǎng)絡(luò)(ResNet)和37 638張裂隙燈照片開發(fā)AI系統(tǒng)，該系統(tǒng)包含3個(gè)任務(wù)，即白內(nèi)障圖像拍攝模式的識(shí)別、白內(nèi)障診斷和白內(nèi)障轉(zhuǎn)診與否；第二部分將這些AI算法集成到AI系統(tǒng)中用于現(xiàn)實(shí)世界操作的遠(yuǎn)程醫(yī)療平臺(tái)。該研究中將需要進(jìn)一步轉(zhuǎn)診治療的病例定義為：(1)根據(jù)晶狀體混濁分類系統(tǒng)Ⅲ(Lens Opacities Classification System Ⅲ，LOCSⅢ)[19]分級(jí)為3級(jí)和4級(jí)的核硬化性白內(nèi)障患者；(2)成年和小兒晶狀體視軸混濁。這一研究大大推動(dòng)了AI在白內(nèi)障臨床診斷實(shí)際場景中的使用。

1.2 基于眼底照片的AI輔助診斷系統(tǒng)

隨著技術(shù)的發(fā)展，眼底照片和OCT圖像等依賴屈光介質(zhì)透明的檢查結(jié)果逐漸成為白內(nèi)障分級(jí)的依據(jù)[20]。Zhang等[21]提出了一種基于眼底照片多特征融合智能識(shí)別六分類晶狀體核硬度的方法，該團(tuán)隊(duì)利用ResNet18和灰度共生矩陣從1 352張眼底相片中提取特征，采用2個(gè)SVM作為分類器得到了平均準(zhǔn)確度為92.66%的模型；同時(shí)，該模型用于白內(nèi)障嚴(yán)重程度4級(jí)分類的準(zhǔn)確率達(dá)到94.75%。Yang等[22]提出一種基于整體學(xué)習(xí)的方法，以提高白內(nèi)障分級(jí)診斷的準(zhǔn)確性；該方法采用1 239張眼底照片對(duì)模型進(jìn)行訓(xùn)練，從每個(gè)眼底圖像中提取3個(gè)獨(dú)立的特征集，即基于小波變換、圖像輪廓和圖像紋理的特征，建立SVM和反向傳播神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型，然后采用多數(shù)表決和堆疊方法，結(jié)合多個(gè)基礎(chǔ)學(xué)習(xí)模型進(jìn)行眼底圖像分類，該集成分類器對(duì)白內(nèi)障檢測(cè)和分級(jí)任務(wù)的最佳性能分別為93.2%和84.5%。該研究結(jié)果表明，集成分類器明顯優(yōu)于單一學(xué)習(xí)模型。與先前針對(duì)具有預(yù)定義特征和基于全局特征的眼底圖像中自動(dòng)白內(nèi)障分級(jí)的研究不同，Xu等[23]提出了一種深度學(xué)習(xí)方法來整合白內(nèi)障的全局和局部特征，對(duì)8 030張眼底照片(正常、輕度、中度、重度白內(nèi)障)進(jìn)行圖像預(yù)處理，通過DCNN提取特征并量化必要的點(diǎn)特征，構(gòu)建混合的全局—局部特征表示模型，平均準(zhǔn)確率為86.24%，同時(shí)，該研究還利用反卷積網(wǎng)絡(luò)方法，研究CNN是如何通過中間層特征的逐層變換過程來判定白內(nèi)障，結(jié)果發(fā)現(xiàn)主血管和視盤并不是識(shí)別白內(nèi)障嚴(yán)重程度的最佳特征，眼底血管的細(xì)節(jié)信息在白內(nèi)障分級(jí)任務(wù)中起著更重要的作用。

1.3 基于其他影像學(xué)資料的AI輔助診斷系統(tǒng)

Tian等[24]開發(fā)了基于視頻的智能識(shí)別與決策(VeBIRD)系統(tǒng)，構(gòu)建了一個(gè)自動(dòng)跟蹤超聲乳化過程并在白內(nèi)障超聲乳化手術(shù)視頻中對(duì)白內(nèi)障等級(jí)進(jìn)行分類的通用框架。VeBIRD能夠在超聲乳化這一步驟中進(jìn)行眼定位，追蹤眼內(nèi)超乳手柄的頭端，同時(shí)對(duì)晶狀體核硬度進(jìn)行分級(jí)(六分類)；截取的10 000個(gè)手術(shù)畫面中，眼定位的準(zhǔn)確率為92.3%，采用SVM分類器對(duì)白內(nèi)障進(jìn)行分級(jí)的準(zhǔn)確率為96.3%。Caixinha等[25]提出應(yīng)用B型超聲圖像對(duì)白內(nèi)障進(jìn)行自動(dòng)診斷和分級(jí)，利用SVM、貝葉斯、多層感知器和隨機(jī)森林分類器提取了27個(gè)時(shí)域和頻域特征進(jìn)行核性白內(nèi)障的檢測(cè)和分類，其中23個(gè)特征與核硬度之間存在中等至良好的相關(guān)性，結(jié)果顯示SVM分類器對(duì)白內(nèi)障嚴(yán)重程度的自動(dòng)分類顯示出更高的性能，其精確度、靈敏度和特異度均為99.7%(相對(duì)絕對(duì)誤差為0.4%)。

2 AI在人工晶狀體屈光度計(jì)算方面的應(yīng)用

白內(nèi)障手術(shù)不僅需要改善患者視力，獲得理想的術(shù)后屈光效果也至關(guān)重要。通過計(jì)算提高植入人工晶狀體(intraocular lens，IOL)屈光度準(zhǔn)確性并限制術(shù)后屈光不規(guī)則，以幫助患者達(dá)到期望的術(shù)后屈光效果。

3 AI在白內(nèi)障手術(shù)中的應(yīng)用

手術(shù)仍是目前治療白內(nèi)障的有效方法[29]，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)可以有效地對(duì)白內(nèi)障手術(shù)視頻進(jìn)行智能識(shí)別與分割，以便進(jìn)行自動(dòng)的技能評(píng)估及反饋。同時(shí)，為了提高手術(shù)步驟的規(guī)范性、減少手術(shù)過程中可能發(fā)生的錯(cuò)誤，許多研究者開展了一系列關(guān)于AI在白內(nèi)障手術(shù)中應(yīng)用的研究。

為了避免手術(shù)信息核對(duì)錯(cuò)誤帶來的危害，Yoo等[30]開發(fā)了一項(xiàng)基于深度學(xué)習(xí)的智能語音播報(bào)技術(shù)，用來幫助手術(shù)開始前醫(yī)務(wù)人員核對(duì)患者身份、手術(shù)眼別及手術(shù)類別，該模型在驗(yàn)證集和測(cè)試集中的識(shí)別準(zhǔn)確率分別達(dá)到了96.5%和93.5%。一項(xiàng)來自霍普金斯大學(xué)的橫斷面研究使用深度學(xué)習(xí)技術(shù)對(duì)白內(nèi)障手術(shù)視頻進(jìn)行分割，以便進(jìn)行自動(dòng)化技能評(píng)估和反饋；該研究收集100例白內(nèi)障手術(shù)視頻，手動(dòng)標(biāo)注了手術(shù)視頻中的10個(gè)階段標(biāo)簽及手術(shù)中使用的14種器械，同時(shí)采用5種具有不同輸入數(shù)據(jù)的算法：(1)使用器械標(biāo)簽的橫截面二進(jìn)制特征的SVM；(2)使用器械標(biāo)簽作為時(shí)間序列數(shù)據(jù)的循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)算法；(3)使用圖像中的空間特征作為輸入的CNN算法；(4)利用CNN-RNN算法對(duì)圖像的時(shí)空特征進(jìn)行建模；(5)利用CNN-RNN算法對(duì)圖像中的時(shí)空特征進(jìn)行建模，并將器械標(biāo)簽作為時(shí)間序列數(shù)據(jù)。每種算法均經(jīng)過5倍交叉驗(yàn)證后得到的未加權(quán)準(zhǔn)確度為0.915～0.959[31]。Zisimopoulos等[32]采用生成式的對(duì)抗網(wǎng)絡(luò)及CNN算法對(duì)手術(shù)模擬裝置收集的白內(nèi)障手術(shù)數(shù)據(jù)中的3個(gè)手術(shù)步驟(患者準(zhǔn)備、晶狀體超聲乳化、IOL植入)共17 118個(gè)視野圖片來進(jìn)行手術(shù)器械識(shí)別訓(xùn)練，隨后選取25個(gè)真實(shí)的白內(nèi)障手術(shù)數(shù)據(jù)用于測(cè)試，結(jié)果表明模擬的白內(nèi)障手術(shù)視頻也可以作為深度學(xué)習(xí)算法的輸入數(shù)據(jù)來訓(xùn)練對(duì)手術(shù)器械的識(shí)別能力。14個(gè)團(tuán)隊(duì)共同參與的一項(xiàng)白內(nèi)障手術(shù)視頻標(biāo)注項(xiàng)目匯集了50個(gè)白內(nèi)障手術(shù)視頻，總時(shí)長超過9 h，共出現(xiàn)了21種手術(shù)器械，由2名專家手動(dòng)標(biāo)注后運(yùn)用于深度學(xué)習(xí)算法中，AI對(duì)手術(shù)器械的識(shí)別任務(wù)中受試者工作特征(receiver operating characteristic，ROC)曲線下面積最高可達(dá)0.997 (95%CI=99.6%～99.8%)[33]。Kim等[34]通過AI對(duì)專家/新手白內(nèi)障手術(shù)技術(shù)的嫻熟程度進(jìn)行客觀評(píng)估，該研究包含99個(gè)不同白內(nèi)障手術(shù)的撕囊步驟視頻，采用時(shí)間卷積網(wǎng)絡(luò)并關(guān)注手術(shù)器械的軌跡及光流建立了準(zhǔn)確率為0.848、ROC曲線下面積為0.863的評(píng)估模型。Quellec等[35]介紹了一種在視頻流中實(shí)時(shí)識(shí)別手術(shù)任務(wù)的新算法，目的是在視頻監(jiān)控的手術(shù)過程中，在適當(dāng)?shù)臅r(shí)間將患者、手術(shù)工具或植入物的相關(guān)信息傳達(dá)給外科醫(yī)生。為了補(bǔ)償眼球運(yùn)動(dòng)和變焦級(jí)別的變化，首先對(duì)白內(nèi)障手術(shù)視頻進(jìn)行歸一化，然后利用時(shí)空多項(xiàng)式對(duì)短視頻子序列的運(yùn)動(dòng)內(nèi)容進(jìn)行刻畫，提出了一種基于自適應(yīng)時(shí)空多項(xiàng)式的多尺度運(yùn)動(dòng)刻畫方法。該研究者收集了由10位不同水平眼科醫(yī)生操作的186個(gè)白內(nèi)障手術(shù)視頻，結(jié)果表明該算法在手術(shù)任務(wù)識(shí)別方面和手術(shù)任務(wù)的分割、識(shí)別方面均具有較高的性能，ROC曲線下面積分別為0.851和0.856。Lecuyer等[36]采用依賴深度學(xué)習(xí)的輔助系統(tǒng)對(duì)白內(nèi)障手術(shù)視頻的步驟進(jìn)行標(biāo)注并且劃分每個(gè)手術(shù)階段的時(shí)間，發(fā)現(xiàn)使用該輔助系統(tǒng)進(jìn)行標(biāo)注較人工標(biāo)注節(jié)省約10 min且準(zhǔn)確率較人工標(biāo)注高約7%。

為了預(yù)測(cè)白內(nèi)障術(shù)后疾病的進(jìn)展，Jiang等[37]提出了一種端到端的時(shí)間序列網(wǎng)絡(luò)(TempSeq-Net)，包括使用CNN從連續(xù)的裂隙燈顯微鏡圖像中提取高層特征，并應(yīng)用長短期記憶方法挖掘特征之間的時(shí)間關(guān)系，得到了最優(yōu)的TempSeq-Net模型，定量結(jié)果表明該模型具有優(yōu)異的性能，其平均準(zhǔn)確度、靈敏度、特異度和ROC曲線下面積分別為92.22%、88.55%、94.31%和0.971 8。

4 AI在建立白內(nèi)障患者管理體系中的應(yīng)用

為了檢測(cè)深度學(xué)習(xí)訓(xùn)練出來的先天性白內(nèi)障評(píng)估模型在真實(shí)世界中的性能，Lin等[38]對(duì)該模型進(jìn)行了Ⅰ期臨床試驗(yàn)，該試驗(yàn)涉及中國不同地區(qū)的5個(gè)眼科門診，招募了700名志愿者，該模型對(duì)白內(nèi)障診斷和治療判斷的準(zhǔn)確率分別為87.4%和70.8%，明顯低于高年資眼科專家的99.1%和96.7%；但患者從模型處獲得診斷的平均時(shí)間為2.79 min，明顯低于在眼科專家處的就診時(shí)間8.53 min；問卷滿意度調(diào)查結(jié)果顯示患者對(duì)該模型提供的整體醫(yī)療服務(wù)質(zhì)量表示滿意。Wu等[18]還描述了一種遠(yuǎn)程醫(yī)療平臺(tái)，該平臺(tái)可實(shí)現(xiàn)家庭監(jiān)護(hù)(家庭成員使用手機(jī)拍攝的眼表圖像、視力和簡短的臨床病史)，然后篩選出需轉(zhuǎn)診至社區(qū)醫(yī)療機(jī)構(gòu)的患者，使用裂隙燈顯微鏡獲取眼前節(jié)圖像，具有AI分析功能的遠(yuǎn)程醫(yī)療平臺(tái)結(jié)合診斷和可參考的資料進(jìn)行綜合評(píng)估，并將所有已獲得數(shù)據(jù)儲(chǔ)存到數(shù)據(jù)庫，確認(rèn)需轉(zhuǎn)診后將通過快速通道通知系統(tǒng)將患者信息發(fā)送至上級(jí)醫(yī)療機(jī)構(gòu)。此護(hù)理模式已在4個(gè)獨(dú)立的社區(qū)保健中心進(jìn)行了進(jìn)一步測(cè)試，并取得了良好的效果。該診療模型充分利用電信網(wǎng)絡(luò)、深度學(xué)習(xí)和AI分析的強(qiáng)大功能，能顯著提高眼科醫(yī)生的診療效率，使一位醫(yī)生每年診療患者數(shù)量從4 000名增加到40 806名，增加了9.2倍。

5 總結(jié)與展望

隨著人口老齡化趨勢(shì)的加劇，白內(nèi)障患者人數(shù)逐年增加，偏遠(yuǎn)地區(qū)專業(yè)醫(yī)療人員數(shù)量的不足及醫(yī)療設(shè)備的匱乏給原本緊張的醫(yī)療衛(wèi)生管理帶來了極大的挑戰(zhàn)。AI的出現(xiàn)及迅猛發(fā)展為偏遠(yuǎn)地區(qū)白內(nèi)障患者獲得更好的醫(yī)療服務(wù)提供了便利條件。研究者們將基于裂隙燈顯微鏡照片、眼底照片、超聲影像、白內(nèi)障手術(shù)視頻、健康檔案數(shù)據(jù)作為輸入數(shù)據(jù)訓(xùn)練，利用AI的遷移學(xué)習(xí)能力，構(gòu)建用以輔助臨床醫(yī)生對(duì)白內(nèi)障的診療模型。從白內(nèi)障的普查初篩、對(duì)混濁晶狀體的分級(jí)和白內(nèi)障分診建議，到對(duì)白內(nèi)障手術(shù)步驟的識(shí)別評(píng)估，AI都展現(xiàn)出其獨(dú)特的優(yōu)勢(shì)。

迄今已進(jìn)行的關(guān)于AI在白內(nèi)障領(lǐng)域的應(yīng)用研究多基于實(shí)驗(yàn)室條件，提前篩選出質(zhì)量合格的圖像、視頻數(shù)據(jù)以利于構(gòu)建出性能良好的算法模型。然而真實(shí)世界的情況復(fù)雜多樣，文字?jǐn)?shù)據(jù)的缺失、圖像質(zhì)量的參差不齊等因素都極大限制了AI的推廣應(yīng)用。截至目前，僅有一項(xiàng)臨床隨機(jī)對(duì)照試驗(yàn)報(bào)道了AI應(yīng)用于臨床白內(nèi)障診斷的可行性，結(jié)果證實(shí)了AI在真實(shí)世界的表現(xiàn)要比實(shí)驗(yàn)室條件下得到的準(zhǔn)確率低[38]。未來還需要更多相關(guān)的臨床研究來進(jìn)一步驗(yàn)證各類AI模型在真實(shí)世界中的性能。另一方面，從白內(nèi)障的診斷到治療以及預(yù)后的評(píng)估，各個(gè)階段都有單獨(dú)的AI研究在進(jìn)行，為了讓AI更好地協(xié)助臨床眼科醫(yī)生及服務(wù)白內(nèi)障患者，集成式AI或許是未來AI在白內(nèi)障領(lǐng)域的研究趨勢(shì)。

利益沖突所有作者均聲明不存在利益沖突