人工智能在白內(nèi)障診療中的應(yīng)用進(jìn)展

趙越越 綜述 康剛勁 審校

(西南醫(yī)科大學(xué)臨床醫(yī)學(xué)院，四川 瀘州 646000)

近年來，人工智能(artificial intelligence，AI)已經(jīng)逐漸應(yīng)用到醫(yī)療領(lǐng)域，通過提高效率、準(zhǔn)確性和惠及基層等方面來促進(jìn)醫(yī)療發(fā)展。目前，白內(nèi)障的診斷主要依賴于裂隙燈圖像，醫(yī)師根據(jù)晶狀體的渾濁程度和部位，結(jié)合相關(guān)病史給出診斷和治療方案，基于圖像識別的AI技術(shù)可以快速識別眼前段圖像中的疾病特征，并定位病變位置和量化病變程度，根據(jù)測量的特征將對象進(jìn)行分類，并依據(jù)共同特征將相似的患者/疾病/藥物聯(lián)系起來，從而發(fā)現(xiàn)數(shù)據(jù)中的隱藏信息。白內(nèi)障篩查和診療需要巨大的資金和醫(yī)務(wù)人員支持，逐年增加的患者數(shù)量，使得專業(yè)人員短缺的問題愈發(fā)銳，A I 為患者、初級保健機(jī)構(gòu)和醫(yī)院之間提供了更高效的合作模式；對于青年醫(yī)師而言，診斷配合較差的白內(nèi)障患兒、計(jì)算人工晶體屈光度、評估后發(fā)性白內(nèi)障等并發(fā)癥、以及白內(nèi)障手術(shù)的標(biāo)準(zhǔn)化培訓(xùn)都是不小的挑戰(zhàn)，AI輔助診斷有助于提升臨床工作，通過數(shù)據(jù)分析給出的診斷、診療建議也可幫助青年醫(yī)師縮短學(xué)習(xí)曲線，擴(kuò)大白內(nèi)障篩查范圍，緩解醫(yī)療資源不足的壓力。因此，將AI技術(shù)應(yīng)用到白內(nèi)障的診療中，可能改變既有的疾病診療策略，為基層初級保健機(jī)構(gòu)篩查和監(jiān)測患者病情變化提供新的解決方案，為白內(nèi)障的手術(shù)模式、圍手術(shù)期管理及遠(yuǎn)期隨訪指出新的方向。本文旨在對國內(nèi)外眼科白內(nèi)障領(lǐng)域的相關(guān)文獻(xiàn)進(jìn)行匯總與梳理，對AI在白內(nèi)障診療中的應(yīng)用和優(yōu)缺點(diǎn)進(jìn)行分析總結(jié)，并對其應(yīng)用前景進(jìn)行展望。

1 AI 的定義與發(fā)展

AI是研究利用計(jì)算機(jī)模擬、延伸和擴(kuò)展人類智力活動(如學(xué)習(xí)、推理、思考等)的技術(shù)科學(xué)，主要包括計(jì)算機(jī)實(shí)現(xiàn)智能的理論、制造類似于人腦智能的計(jì)算機(jī)，從而使計(jì)算機(jī)能實(shí)現(xiàn)更高層次應(yīng)用的方法、技術(shù)及應(yīng)用系統(tǒng)。在過去，計(jì)算機(jī)通過一套指令或算法來完成一項(xiàng)任務(wù)，但這不是真正意義上的AI，只是簡單地按照指令操作。它的適應(yīng)性僅限于預(yù)先編程中預(yù)期和考慮到的那些方面。此外，編程人員對技術(shù)的理解也使得它的功能有著局限性。AI是一種多維技術(shù)，具有多種組件，如高級算法、機(jī)器學(xué)習(xí)(machine learning，ML)和深度學(xué)習(xí)(deep learning，DL)[1]。ML是一種AI過程，在這個(gè)過程中，程序?qū)⒂蓹C(jī)器來書寫，并進(jìn)一步完成設(shè)定的任務(wù)。這個(gè)過程的第1步是分配1項(xiàng)任務(wù)，例如將裂隙燈下的照片分成白內(nèi)障和非白內(nèi)障2個(gè)部分，為完成這項(xiàng)任務(wù)，機(jī)器將需要大量的裂隙燈下照片來學(xué)習(xí)(訓(xùn)練數(shù)據(jù)集)以及1個(gè)單獨(dú)的數(shù)據(jù)庫進(jìn)行驗(yàn)證(驗(yàn)證數(shù)據(jù)集)；隨后驗(yàn)證數(shù)據(jù)集，即由眼科專家用正確的白內(nèi)障或非白內(nèi)障分組來精確地標(biāo)記每幅圖像，然后輸入訓(xùn)練數(shù)據(jù)，機(jī)器就會得出自己的答案；再將其答案與正確的答案進(jìn)行核對。如果機(jī)器的答案有很高的錯誤率，將重新評估它的算法，調(diào)整它的內(nèi)部可調(diào)參數(shù)，進(jìn)而得到更精確的結(jié)果。通常1次從圖像學(xué)習(xí)1個(gè)特征然后再給機(jī)器輸入同樣的訓(xùn)練數(shù)據(jù)，并生成1組新的答案。這個(gè)過程無限次地進(jìn)行，直到結(jié)果穩(wěn)定或達(dá)到期望的輸出[2]。

DL是使用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的ML的子集，不僅可以作為分類器，還可以特征提取。神經(jīng)網(wǎng)絡(luò)將刺激輸入到通過ML過程生成的多層神經(jīng)元中，對于不同的刺激，神經(jīng)網(wǎng)絡(luò)中的每一層以不同的權(quán)重學(xué)習(xí)不同的特征，這些人工神經(jīng)元形成了一個(gè)個(gè)逐步復(fù)雜的特征檢測器[3]，這使機(jī)器能夠適應(yīng)完成復(fù)雜的任務(wù)[4-5]。也正是由于這種多層的神經(jīng)網(wǎng)絡(luò)才創(chuàng)造了DL[6]。較于ML，DL特征提取階段由神經(jīng)網(wǎng)絡(luò)自動學(xué)習(xí)，然后送入分類器進(jìn)行分類，從而消除了“專家手工設(shè)計(jì)”圖像特征的繁瑣，使用完整的圖像，并將整個(gè)圖像與診斷輸出相關(guān)聯(lián)，避免了圖像預(yù)處理，直接從原始圖像中提取相關(guān)的高階特征[7]。DL模型主要有2種：卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)和大規(guī)模訓(xùn)練人工神經(jīng)[8-9]。DL在大多數(shù)情況下是指采用基于CNN的ML方案，這樣的網(wǎng)絡(luò)利用訓(xùn)練集中獲悉的病理特征，使用大量圖像過濾器來提取網(wǎng)絡(luò)認(rèn)為是指示病理跡象的各種圖像特征[9]，從而實(shí)現(xiàn)疾病的診斷。DL還可用于預(yù)測手工標(biāo)記無法識別的額外特性，比如年齡和性別[10]。由此，DL可能可以促進(jìn)醫(yī)療進(jìn)一步發(fā)展。

2 白內(nèi)障診療現(xiàn)狀

晶狀體在光學(xué)上是透明的，主要由水和蛋白質(zhì)組成，它的形狀、透明度和折射率能使光線聚焦到視網(wǎng)膜上。白內(nèi)障是指晶狀體透明度降低或顏色改變所導(dǎo)致的光學(xué)質(zhì)量下降的退行性改變[11]。白內(nèi)障會導(dǎo)致視力受損甚至失明，它的發(fā)生與年齡、遺傳、外傷、代謝異常等因素有關(guān)。隨著全球人口老齡化，白內(nèi)障的發(fā)病率逐漸增高。據(jù)世界衛(wèi)生組織[12]統(tǒng)計(jì)，到2025年，白內(nèi)障致盲人數(shù)將達(dá)到4 000萬。白內(nèi)障是世界范圍內(nèi)視力障礙的主要原因，在中低收入國家中，50%的失明病例是由白內(nèi)障導(dǎo)致的[13-14]。目前，手術(shù)是白內(nèi)障最有效的治療方法。由于人口老齡化以及對更高視覺功能的需求，手術(shù)的需求正在上升[15-16]。然而，在白內(nèi)障的診斷和管理方面，醫(yī)療資源不均衡，特別是欠發(fā)達(dá)國家。在發(fā)達(dá)國家中，接受白內(nèi)障摘除手術(shù)的患者可以恢復(fù)較好的全功能視力，但在中低收入國家，白內(nèi)障手術(shù)率(cataract surgical rate，CSR)較低，白內(nèi)障仍然是一個(gè)令人困擾的問題，也是可預(yù)防的視力障礙的主要原因[11]。

白內(nèi)障給患者帶來的經(jīng)濟(jì)負(fù)擔(dān)要遠(yuǎn)高于治療成本，所造成的社會和心理負(fù)擔(dān)也很大。在欠發(fā)達(dá)國家中，白內(nèi)障手術(shù)被列為最具成本效益的公共衛(wèi)生措施之一。但由于人口的增長和老齡化，世界范圍的失明負(fù)擔(dān)正在增加[17-18]。此外，兒童白內(nèi)障是一種常見的眼科疾病，嚴(yán)重者可造成永久性視力損害，極大地降低了生活質(zhì)量[19]，其 影響到全世界約20萬名兒童。據(jù)估計(jì)，每1萬名活產(chǎn)嬰兒中有4.24名患有白內(nèi)障[20]。兒童白內(nèi)障患者的無癥狀進(jìn)展在早期難以發(fā)現(xiàn)，父母也難以發(fā)現(xiàn)；一旦兒童白內(nèi)障進(jìn)入更嚴(yán)重的階段，目前的干預(yù)措施尚不能逆轉(zhuǎn)視力損害[21]。因此，白內(nèi)障的早期診斷和及時(shí)處理對提高患者的生活質(zhì)量和減少醫(yī)療負(fù)擔(dān)至關(guān)重要[22]。AI輔助診療技術(shù)在篩查上的巨大優(yōu)勢使得改變疾病診療策略，提升基層初級保健機(jī)構(gòu)篩查準(zhǔn)確性與覆蓋率成為可能。

3 AI 在白內(nèi)障診療中的應(yīng)用

3.1 AI 與白內(nèi)障的診斷、篩查

臨床上白內(nèi)障的診斷依賴裂隙燈生物顯微鏡下觀察到的晶狀體混濁程度與部位，結(jié)合患者視力情況與病史等信息，但專業(yè)的眼科醫(yī)師缺口大且患者數(shù)目龐大，使得很多患者錯過最佳診療時(shí)機(jī)。2010年，有學(xué)者[23]提出了利用AI識別裂隙燈顯微鏡圖像以診斷核性白內(nèi)障，以一種38點(diǎn)形狀模型來檢測晶狀體中的核區(qū)域，提取有意義和準(zhǔn)確的特征進(jìn)行分級(分級是通過將每個(gè)受試者的照片與4張標(biāo)準(zhǔn)照片進(jìn)行比較來完成的)，發(fā)現(xiàn)該系統(tǒng)只有在結(jié)構(gòu)檢測正確的情況下，才能進(jìn)行特征提取，測量核區(qū)域內(nèi)的強(qiáng)度、顏色、紋理等特征，實(shí)現(xiàn)自動分級。在既往研究中，測量的強(qiáng)度是在整個(gè)晶狀體中取平均值，這與臨床分級不一致。該研究[23]提出了第1個(gè)能夠在裂隙燈圖像中自動檢測核區(qū)域的系統(tǒng)，并在5 000多張圖像的數(shù)據(jù)庫中進(jìn)行了測試，結(jié)果顯示高達(dá)95%的圖像可以自動診斷，無需用戶干預(yù)；同時(shí)也提供了用戶干預(yù)功能，使該系統(tǒng)可以處理因焦距不準(zhǔn)確、瞳孔小、上眼瞼下垂等原因造成的特殊圖像。目前該系統(tǒng)正處于臨床驗(yàn)證階段。

兒童白內(nèi)障由于患兒配合差、伴隨其他眼部疾患等問題，目前診斷兒童白內(nèi)障通過詢問父母相關(guān)病史，檢查視覺功能、晶狀體顏色和形態(tài)、有無角膜透明度改變和眼前段異常，如果眼底可見，則在散瞳后對合作兒童進(jìn)行檢查，目前已有研究[24-25]在全身麻醉下，通過進(jìn)行UBM檢查排除相關(guān)的眼部異常，無創(chuàng)的AI識別眼前段圖像診斷兒童白內(nèi)障技術(shù)將改變既有的醫(yī)療診斷方案。2017年，兒童白內(nèi)障精準(zhǔn)定位技術(shù)出現(xiàn)，分級依據(jù)根據(jù)3位眼科專家[26]提出裂隙燈顯微鏡圖像的分級等級制定，基于坎迪檢測和霍夫變換虹膜定位技術(shù)，在原始圖像中自動定位晶狀體區(qū)域，將選定區(qū)域外的所有像素值都設(shè)置為0s，達(dá)到消除其他影響因素的目的，對原始圖像重新裁剪，調(diào)整為固定大小，形成兒童白內(nèi)障數(shù)據(jù)集。這些數(shù)據(jù)集被輸入CNN，提取高級特征，根據(jù)不透明度區(qū)域的3種分級度(有限和廣泛)、密度(致密和透明)和位置(中央和外周)，實(shí)現(xiàn)自動分類分級。定性和定量實(shí)驗(yàn)結(jié)果表明：該系統(tǒng)在平均準(zhǔn)確性、靈敏度和特異性方面都有很好的表現(xiàn)：分類(97.07%，97.28%，96.83%)、混濁面積(89.02%，86.63%，90.75%)、混濁密度(92.68%，91.05%，93.94%)和定位(89.28%，82.70%，93.08%)。該研究[26]為兒童白內(nèi)障這一診斷干擾因素多、疾病表型復(fù)雜的疾病提供了新的智能思路。但對于獲取眼前段圖像信息時(shí)患兒無法配合的情況仍需探索更有效的措施。

隨著A I 技術(shù)的進(jìn)步，診斷算法不斷完善。2019年，一種“多特征疊加”的模式[27]利用DL算法，根據(jù)眼底圖像自動將白內(nèi)障分為6級，其包括以下3個(gè)過程：第一，深度神經(jīng)網(wǎng)絡(luò)對眼底圖像進(jìn)行特征提取；第二，獲取原始圖像和血管圖像紋理特征；第三，疊加進(jìn)行多模型訓(xùn)練，疊加可以利用多個(gè)分類器進(jìn)行集成學(xué)習(xí)，減少綜合誤差，提高白內(nèi)障分級診斷效果。它可以消除部分拍攝過程中對圖像的干擾，并通過引入疊加算法提高模型的泛化性，從而更好地處理未知樣本。使用該方法對白內(nèi)障進(jìn)行六級分級的準(zhǔn)確率平均可達(dá)到92.66%，最高達(dá)到93.33%。使用該方法對白內(nèi)障進(jìn)行四級分級，精確度可達(dá)到94.75%，比現(xiàn)有方法至少提高1.75%。目前，該方法更適宜中重度白內(nèi)障的診斷，可應(yīng)用于篩選適宜手術(shù)的患者，對于診斷輕度白內(nèi)障尚需進(jìn)一步探索。

3.2 AI 與白內(nèi)障手術(shù)

3.2.1 AI 與人工晶體屈光度計(jì)算

白內(nèi)障手術(shù)的目的是改善患者的整體視覺功能，但隨著人們對生存質(zhì)量要求越來越高，白內(nèi)障手術(shù)已從復(fù)明手術(shù)逐漸演變成為屈光手術(shù)。隨著需求的增加，普遍接受的術(shù)后屈光目標(biāo)是在正視眼或輕微近視0.50 D以內(nèi)，已有的任何一個(gè)單一未優(yōu)化的公式只能達(dá)到70%～80%，約1/4的患者術(shù)后屈光度偏離目標(biāo)屈光度超過0.50 D[28]。這種屈光差異可能會導(dǎo)致需要進(jìn)行眼鏡矯正或進(jìn)一步的手術(shù)來解決剩余的屈光不正。盡管計(jì)算公式有了改進(jìn)和進(jìn)步，創(chuàng)造了新一代的計(jì)算公式如Barrett，Olsen和Hill-RBF公式，但每個(gè)公式在某些情況下仍然有局限性，于是催生了整合AI與計(jì)算公式的系統(tǒng)；由于它整合了其他公式，其適用于計(jì)算典型和非典型的眼軸長度、角膜曲率和前房深度，不必從多個(gè)公式中人工選擇最匹配的計(jì)算方式，減輕了醫(yī)生的負(fù)擔(dān)。

2020年，Siddiqui等[29]提出了AI整合人工晶體計(jì)算公式的系統(tǒng)以獲得最佳術(shù)后視力。在初始狀態(tài)下，以眼軸長度、角膜曲率、前房深度、晶狀體常數(shù)和目標(biāo)屈光值作為輸入?yún)?shù)，優(yōu)化過程是基于眼軸長度、角膜曲率和前房深度進(jìn)行計(jì)算的調(diào)整。一項(xiàng)小規(guī)模研究使用了該系統(tǒng)，結(jié)果表明治療效果顯著改善，達(dá)到0.50屈光度誤差預(yù)測率從76%(使用標(biāo)準(zhǔn)公式)到80%(使用AI算法公式)。AI可以進(jìn)一步幫助非典型參數(shù)的患者達(dá)到更高術(shù)后視力，減少公式預(yù)測和實(shí)際術(shù)后屈光結(jié)果之間的差異[29]。在未來，這個(gè)系統(tǒng)可以進(jìn)一步訓(xùn)練和發(fā)展，增加更多的參數(shù)以達(dá)到更高的精度，協(xié)助年輕醫(yī)生做出更精準(zhǔn)的診療計(jì)劃。

3.2.2 AI 與白內(nèi)障術(shù)中輔助

白內(nèi)障手術(shù)視頻可用于技能評估和教學(xué)分析等，隨著AI技術(shù)的發(fā)展，術(shù)中輔助有望用于分析預(yù)測術(shù)后并發(fā)癥。2019年，Morita等[30]提出了一種實(shí)時(shí)提取白內(nèi)障手術(shù)分期的系統(tǒng)，該研究旨在利用AI技術(shù)對 連續(xù)環(huán)形撕囊、核摘除及其他3個(gè)白內(nèi)障手術(shù)階段進(jìn)行實(shí)時(shí)自動分析。他們根據(jù)眼科醫(yī)生記錄的每個(gè)手術(shù)階段的開始和結(jié)束時(shí)間，對獲得的圖像進(jìn)行正確標(biāo)記，利用這些數(shù)據(jù)，開發(fā)了1個(gè)名為InceptionV3的神經(jīng)網(wǎng)絡(luò)模型，識別每張圖像的手術(shù)階段。在白內(nèi)障手術(shù)分期中，連續(xù)環(huán)形撕囊期正確應(yīng)答率為90.7%，核取出期正確應(yīng)答率為94.5%，其他期正確應(yīng)答率為97.9%，平均正確應(yīng)答率為96.5%。該研究中使用的神經(jīng)網(wǎng)絡(luò)模型僅參考5 s視頻圖像就可以對手術(shù)階段進(jìn)行分類，旨在建立基于該模型的術(shù)中并發(fā)癥及核取出風(fēng)險(xiǎn)預(yù)測系統(tǒng)[30]。

3.2.3 AI 與后發(fā)性白內(nèi)障評估

后發(fā)性白內(nèi)障是白內(nèi)障手術(shù)最常見的并發(fā)癥。研究[31]顯示：在標(biāo)準(zhǔn)手術(shù)3年后，5%～20%以上的患者因其導(dǎo)致繼發(fā)性視力下降，需要進(jìn)行Nd:YAG激光后囊膜切開術(shù)，預(yù)測后發(fā)性白內(nèi)障的發(fā)生率可為患者提供更準(zhǔn)確的術(shù)后視覺評估。2012年，Mohammadi等[32]提出了一種AI預(yù)測超聲乳化術(shù)后后囊膜混濁風(fēng)險(xiǎn)的系統(tǒng)，并對老年性白內(nèi)障手術(shù)后眼的后囊膜狀況及是否需要行激光后囊切開術(shù)進(jìn)行分析。該系統(tǒng)隨機(jī)選取282只眼睛對模型進(jìn)行訓(xùn)練，隨后對70只眼睛進(jìn)行測試，logistic回歸分析顯示準(zhǔn)確率達(dá)到80%[32]。Nd:YAG激光后囊膜切開術(shù)后可能發(fā)生視網(wǎng)膜脫離、黃斑水腫、角膜水腫和人工晶狀體移位等并發(fā)癥[33]，相信未來更智能的AI分析幫助我們預(yù)測并發(fā)癥發(fā)生，改善患者護(hù)理。

3.3 AI 與白內(nèi)障管理平臺

遠(yuǎn)程醫(yī)療在眼科的應(yīng)用目前還處于起步階段。目前的遠(yuǎn)程眼科服務(wù)主要是通過上級醫(yī)院診斷和轉(zhuǎn)診的方式進(jìn)行的，這依賴于已經(jīng)超負(fù)荷的醫(yī)院專家來完成額外的任務(wù)。因此，患者、初級保健機(jī)構(gòu)和醫(yī)院之間更有效的合作模式仍有待探索。

2017年，中山大學(xué)中山眼科中心劉奕志、林浩添團(tuán)隊(duì)[34]建立了1個(gè)先天性白內(nèi)障AI管理平臺——CC-Cruiser，該系統(tǒng)包含3個(gè)處理網(wǎng)絡(luò)：1)識別網(wǎng)絡(luò)(篩查先天性白內(nèi)障)；2)評估網(wǎng)絡(luò)(根據(jù)渾濁區(qū)域、密度、位置3個(gè)不同指標(biāo)確定疾病嚴(yán)重程度)；3)策略網(wǎng)絡(luò)(根據(jù)識別網(wǎng)絡(luò)和評估網(wǎng)絡(luò)的結(jié)果提供最終的治療決策，以協(xié)助眼科醫(yī)生作出治療決定)。該系統(tǒng)在多種測試中也表現(xiàn)出色：1)In silico測試。區(qū)分患者和健康個(gè)體的準(zhǔn)確率為98.87%，識別渾濁區(qū)域、密度和位置的準(zhǔn)確率分別為93.98%，95.06%，95.12%；2)多醫(yī)院臨床試驗(yàn)。測試集由來自3家醫(yī)院的57例患兒的眼前段圖像組成，該系統(tǒng)識別準(zhǔn)確率為98.25%，評價(jià)網(wǎng)絡(luò)準(zhǔn)確率分別為100.00%，92.86%，100.00%，決策網(wǎng)絡(luò)準(zhǔn)確率為92.86%；3)Website-based study。選擇53張來源于網(wǎng)絡(luò)的眼前段圖像，該系統(tǒng)識別網(wǎng)絡(luò)準(zhǔn)確率為92.45%，評價(jià)網(wǎng)絡(luò)準(zhǔn)確率分別為94.87%、84.62%和94.87%，決策網(wǎng)絡(luò)準(zhǔn)確率為89.74%；4)Finding a needle in a haystack’ test。選擇1個(gè)測試集，按照比例(正常:白內(nèi)障=100:1)分成3組來測試該系統(tǒng)，該系統(tǒng)準(zhǔn)確識別并做出了正確評估和治療決定；5)Comparative測試。此測試選擇了50張不同渾濁程度的圖像，該系統(tǒng)識別成功率為100.00%，并作出了準(zhǔn)確的評估和治療決策，并在決策方面取勝人工。該團(tuán)隊(duì)[34]還提出建設(shè)基于云計(jì)算的多醫(yī)院協(xié)同管理先天性白內(nèi)障的網(wǎng)站，簡化了診斷過程，為千萬家庭提供了便捷；基于該系統(tǒng)設(shè)計(jì)的智能機(jī)器人已應(yīng)用于中山眼科中心門診，輸入眼前段圖像，即可得出診斷結(jié)果及治療建議。該系統(tǒng)的廣泛普及將會提高先天性白內(nèi)障篩查效率，拯救視力，惠及全球患兒。

2019年，Wu等[35]建立并驗(yàn)證了1個(gè)通用的AI平臺，提出了1種基于AI的轉(zhuǎn)診模式，以提高協(xié)同效率和醫(yī)療資源覆蓋率。該平臺主要經(jīng)由以下3步驟診斷疾病：1)識別捕捉模式；2)識別白內(nèi)障；3)診斷白內(nèi)障病因和嚴(yán)重程度。捕捉模式準(zhǔn)確度可達(dá)99.28%～99.71%，判斷正常眼和白內(nèi)障及術(shù)后眼準(zhǔn)確率分別為99.82%和99.96%；散瞳眼前段照相模式準(zhǔn)確度可達(dá)99.93%。在實(shí)際的三級轉(zhuǎn)診模式中，該平臺建議30.3%的人被“轉(zhuǎn)診”。AI平臺和多層次協(xié)同模式顯示了良好的診斷性能和對白內(nèi)障的有效服務(wù)。

4 AI 在眼科診療應(yīng)用中的問題與展望

AI在白內(nèi)障診療中的應(yīng)用尚處于起步階段，目前還局限于白內(nèi)障的初步診斷與篩查、手術(shù)相關(guān)輔助功能以及管理平臺應(yīng)用。而在全球老齡化日趨嚴(yán)重、對醫(yī)療的需求不斷擴(kuò)大、規(guī)范化的白內(nèi)障手術(shù)技術(shù)要求、全球面臨突發(fā)公共衛(wèi)生事件的嚴(yán)重影響的形勢下，加上AI尚面臨較多公共問題，如數(shù)據(jù)集缺乏標(biāo)準(zhǔn)化、AI產(chǎn)品臨床應(yīng)用較少、越來越凸顯的倫理問題等。針對兒童白內(nèi)障配合差的情況亟需高效、無創(chuàng)的圖像捕捉系統(tǒng)，因此AI在白內(nèi)障領(lǐng)域的應(yīng)用有待進(jìn)一步拓展與深化。AI在白內(nèi)障診療中的應(yīng)用范圍有待擴(kuò)展，除應(yīng)用于診斷和篩查外，還可以擴(kuò)展到白內(nèi)障手術(shù)的標(biāo)準(zhǔn)化培訓(xùn)，以縮短學(xué)習(xí)曲線、規(guī)范手術(shù)流程、降低手術(shù)并發(fā)癥。在手術(shù)輔助功能基礎(chǔ)上，積極開發(fā)應(yīng)用白內(nèi)障手術(shù)機(jī)器人，以期解決醫(yī)療人力短缺問題。在管理平臺方面，可以拓展到社區(qū)醫(yī)療、健康管理、科普教育、醫(yī)療保險(xiǎn)等方面，真正做到白內(nèi)障的早期防控、篩查、治療一體化，并切實(shí)解決診療費(fèi)用方面的相關(guān)矛盾。隨著AI在白內(nèi)障領(lǐng)域應(yīng)用與發(fā)展，醫(yī)患雙方都將面臨一系列倫理問題，如隱私安全、患者對AI醫(yī)生的認(rèn)可度與信任度等，因此，對AI在白內(nèi)障診治應(yīng)用中的監(jiān)管、醫(yī)患雙方身心健康的維護(hù)等都是需要密切關(guān)注的問題。

新的AI技術(shù)將不斷發(fā)展，因此未來仍需不斷校正以提高其準(zhǔn)確性，使其成為白內(nèi)障臨床實(shí)踐的實(shí)用工具。