人工智能在近視防控與治療中的應(yīng)用進(jìn)展

朱正陽 綜述 薛春燕 審校

(1.南京大學(xué)醫(yī)學(xué)院附屬金陵醫(yī)院訓(xùn)練中心，南京 210016；2.南京大學(xué)醫(yī)學(xué)院附屬金陵醫(yī)院眼科，南京 210016)

近視是由于角膜曲率過高、眼軸過長(zhǎng)等，導(dǎo)致遠(yuǎn)處物體在視網(wǎng)膜前聚焦，使遠(yuǎn)距離視力模 糊[1]，是影響人類視功能主要的原因[2]。我國(guó)學(xué)齡兒童近視患病率逐年增長(zhǎng)，影響青少年學(xué)習(xí)生活、生長(zhǎng)發(fā)育和身心健康。近視的快速增長(zhǎng)已成為全球公共衛(wèi)生領(lǐng)域重點(diǎn)關(guān)注的問題[3]。目前全球約有超過14億人患有近視，占總?cè)丝诘?2.9%，1.6億人患有高度近視，占總?cè)丝诘?.7%；到2050年，全世界近視人口總數(shù)預(yù)計(jì)會(huì)超過47億[4]。根據(jù)國(guó)家衛(wèi)健委發(fā)布的最新數(shù)據(jù)[5]，我國(guó)兒童青少年總體近視率為52.7%，其中6歲兒童為14.3%，小學(xué)生為35.6%，初中生為71.1%，高中生為80.5%，大學(xué)生總體發(fā)生率為90%，高于世界平均水平。

隨著我國(guó)近視發(fā)病率的不斷攀升，近視相關(guān)的早期篩查、診斷、視力矯正的需求也逐年升高，傳統(tǒng)醫(yī)療手段已難以滿足現(xiàn)實(shí)近視防控的需要，人工智能技術(shù)為解決這一困境提供了新的思路。近年來，人工智能算法和核心技術(shù)快速發(fā)展，在醫(yī)療衛(wèi)生領(lǐng)域中的應(yīng)用越來越廣泛[6]，可以運(yùn)用大數(shù)據(jù)技術(shù)對(duì)臨床影像資料和相關(guān)數(shù)據(jù)進(jìn)行匯集，利用計(jì)算機(jī)強(qiáng)大的算法分析、挖掘數(shù)據(jù)，輔助醫(yī)生或直接參與臨床決策[7]。

目前，人工智能在眼科領(lǐng)域的運(yùn)用十分廣泛，主要集中于眼科患者資料的分析和處理，對(duì)于白內(nèi)障、青光眼、糖尿病視網(wǎng)膜病變、年齡相關(guān)性黃斑變性、早產(chǎn)兒視網(wǎng)膜病變等疾病的篩查與診斷具有重要意義[8-12]。在近視防控領(lǐng)域，人工智能的應(yīng)用仍處于探索階段，依托大數(shù)據(jù)、人工智能和精準(zhǔn)醫(yī)療，進(jìn)行近視防控的六維度量化監(jiān)測(cè)評(píng)估的新模式，即通過遺傳度、屈光度、用眼度、裂變度、病理度、干預(yù)度等6個(gè)維度進(jìn)行近視防控，是未來近視精準(zhǔn)化、個(gè)性化防控的新方向[13]。

1 人工智能在近視篩查、預(yù)測(cè)與監(jiān)測(cè)中的應(yīng)用

1.1 近視篩查

目前我國(guó)近視篩查的最主要手段為在每年中小學(xué)的體檢中，由受過專業(yè)訓(xùn)練的護(hù)士或技術(shù)人員進(jìn)入學(xué)校進(jìn)行裸眼視力檢查，再將視力異常的兒童轉(zhuǎn)診至醫(yī)院進(jìn)一步驗(yàn)光以明確診斷。最新研究[14]顯示：裸眼視力篩查的平均敏感性為59.71%，平均特異性為89.74%。校園篩查存在漏診率高、檢查結(jié)果反饋不及時(shí)、人力成本高、偏遠(yuǎn)地區(qū)覆蓋率較低等問題[15]，使許多近視患兒的病情延誤，屈光不正沒有得到及時(shí)的診斷和治療。Yang等[16]用2350幅用通常照相機(jī)拍攝的6～18歲患兒的眼球外觀圖像，訓(xùn)練深度學(xué)習(xí)系統(tǒng)通過眼球外觀識(shí)別異常屈光狀態(tài)，結(jié)果顯示敏感性為81.3%，特異性為86.42%，AUC為0.927，敏感性遠(yuǎn)高于傳統(tǒng)學(xué)校傳統(tǒng)裸眼視力檢測(cè)手段。此外，新的近視篩查技術(shù)也在逐步誕生，為未來人工智能在相關(guān)領(lǐng)域的落地應(yīng)用提供基礎(chǔ)，如Jaeb Visual Acuity Screener[17]——一種公開免費(fèi)的近視篩查軟件，家長(zhǎng)可在家中用家用電腦對(duì)兒童進(jìn)行近視篩查；SVone[18]——一種可與市面上通用的智能手機(jī)連接的外接設(shè)備，可隨時(shí)進(jìn)行屈光異常篩查，這些技術(shù)可以通過移動(dòng)智能設(shè)備，遠(yuǎn)程實(shí)時(shí)監(jiān)控青少年的屈光狀態(tài)，有利于大規(guī)模推廣與普及近視篩查，有效降低時(shí)間成本和人力成本，對(duì)近視的公共衛(wèi)生防控具有重要意義。

1.2 近視預(yù)測(cè)

除對(duì)青少年近視進(jìn)行早期篩查診斷外，基于現(xiàn)有資料，對(duì)未來學(xué)齡兒童近視發(fā)展變化進(jìn)行預(yù)測(cè)，也是當(dāng)下人工智能研究的熱點(diǎn)。Lin等[19]對(duì)國(guó)內(nèi)多中心來源的10年內(nèi)超過68萬份電子病歷數(shù)據(jù)進(jìn)行分析，訓(xùn)練人工智能算法，用以預(yù)測(cè)患者未來是否會(huì)進(jìn)展為高度近視，結(jié)果顯示：3年內(nèi)預(yù)測(cè)準(zhǔn)確性超過了90%，8年內(nèi)預(yù)測(cè)準(zhǔn)確性超過了80%。該研究首次運(yùn)用大數(shù)據(jù)和人工智能提供了高度近視高準(zhǔn)確性的臨床預(yù)測(cè)模型，將高度近視的早期識(shí)別診斷提前了近8年，對(duì)提前做好高度近視的預(yù)防與篩查，減少高度近視遠(yuǎn)期并發(fā)癥以及個(gè)體近視精準(zhǔn)防控具有重要意義。Yang等[20]基于機(jī)器學(xué)習(xí)理論，對(duì)影響近視形成的因素如是否佩戴框架眼鏡、室內(nèi)活動(dòng)時(shí)間、戶外活動(dòng)時(shí)間、眼軸角膜曲率、飲食、行為習(xí)慣等進(jìn)行分析研究，以SVM模型為基礎(chǔ)，提供了一種新型的青少年近視預(yù)測(cè)模型，為青少年近視預(yù)測(cè)提供了一種新思路。唐濤等[21]利用機(jī)器學(xué)習(xí)模型研究眼軸增加量與等效球鏡度增加的對(duì)應(yīng)關(guān)系，結(jié)果顯示：眼軸增長(zhǎng)1 mm所需要的時(shí)間跨度越大，對(duì)應(yīng)近視增長(zhǎng)度數(shù)越小，并給出了預(yù)測(cè)模型，方便眼科醫(yī)師及視光學(xué)醫(yī)師通過眼軸增加判斷青少年近視變化情況。Varadarajan等[22]應(yīng)用226870幅眼底彩超訓(xùn)練“attention”模型，提取眼底圖像特征，預(yù)測(cè)現(xiàn)有屈光度數(shù)，取得了較高的準(zhǔn)確率。

1.3 近視監(jiān)測(cè)

人工智能的進(jìn)展促進(jìn)了物聯(lián)網(wǎng)時(shí)代智能穿戴設(shè)備的應(yīng)用，新型智能穿戴設(shè)備可以對(duì)兒童青少年用眼姿勢(shì)、習(xí)慣進(jìn)行實(shí)時(shí)檢測(cè)。其中代表性設(shè)備是中南大學(xué)愛爾眼科學(xué)院研發(fā)的“云夾”[23]，其能夠?qū)崟r(shí)、全面記錄近視工作距離、周邊環(huán)境光照水平以及有無紫外線等因素，并將信息上傳至云端由人工智能進(jìn)行分析，對(duì)不良用眼習(xí)慣進(jìn)行實(shí)時(shí)提醒和糾正。研究[24]表明：佩戴云夾可以有效防止不良姿勢(shì)和近距離讀寫行為，并且在停止佩戴后依然可以維持一段時(shí)間，有效減緩近視的形成和進(jìn)展。居玲等[25]為及時(shí)糾正兒童青少年不良用眼習(xí)慣，開發(fā)出“AI眼寶”APP，可以自動(dòng)監(jiān)測(cè)青少年讀寫姿勢(shì)、光線明暗、用眼時(shí)間，利用人工智能進(jìn)行語音提示、自動(dòng)調(diào)節(jié)，可有效減緩近視進(jìn)展。線下移動(dòng)智能穿戴設(shè)備收集數(shù)據(jù)，與線上云計(jì)算近視防控大數(shù)據(jù)平臺(tái)相結(jié)合，實(shí)時(shí)共享家庭、學(xué)校和醫(yī)院的近視防控信息，有利于實(shí)時(shí)監(jiān)測(cè)近視防控效果，提高兒童青少年近視早期干預(yù)成效[26]。

2 人工智能在病理性近視中的應(yīng)用

2.1 病理性近視的定義

病理性近視目前比較公認(rèn)的定義為高度近視同時(shí)伴有鞏膜、脈絡(luò)膜、RPE病理性改變和視力損傷。2015年，Ohno-Matsui等[27]將病理性近視黃斑病變分為5級(jí)：無視網(wǎng)膜退行性病變?yōu)?級(jí)，豹紋狀眼底為1級(jí)，彌漫性脈絡(luò)膜視網(wǎng)膜萎縮為2級(jí)，斑塊狀脈絡(luò)膜視網(wǎng)膜萎縮為3級(jí)，黃斑萎縮為4級(jí)，以及另外3個(gè)附加病變：漆裂紋、脈絡(luò)膜新生血管和Fuchs斑。在此標(biāo)準(zhǔn)中，2級(jí)以上或具有至少1個(gè)附加病變即可診斷為病理性近視。

各種眼底病變?nèi)琰S斑劈裂、視網(wǎng)膜脫離、脈絡(luò)膜新生血管等是高度近視的常見并發(fā)癥[28]。目前，病理性近視的標(biāo)準(zhǔn)分級(jí)、發(fā)病機(jī)制、預(yù)防策略和治療方法等都還有待研究[29]。缺乏標(biāo)準(zhǔn)分級(jí)使得不同流行病學(xué)調(diào)查和臨床實(shí)驗(yàn)的結(jié)果之間難以進(jìn)行比較，沒有統(tǒng)一的標(biāo)準(zhǔn)，也給基于大數(shù)據(jù)機(jī)器學(xué)習(xí)的人工智能對(duì)病理性近視眼底病變?cè)\療造成了困難。

2.2 人工智能對(duì)病理性近視的輔助診斷

病理性近視的診斷高度依賴于眼底病變的影像分析，近年來，人工智能在醫(yī)學(xué)影像采集和識(shí)別領(lǐng)域取得了突破性的進(jìn)展。Zapata團(tuán)隊(duì)[30]開發(fā)的Optretina遠(yuǎn)程醫(yī)療平臺(tái)，眼底影像采集后，由眼科專科醫(yī)生進(jìn)行標(biāo)記，作為訓(xùn)練集合，訓(xùn)練后，Optretina可對(duì)眼底影像進(jìn)行分類并診斷黃斑病變，敏感性達(dá)到97.7%，特異性達(dá)到92.4%，準(zhǔn)確性可達(dá)96%。Li等[31]收集了1048位高度近視患者共計(jì)5505幅眼底光學(xué)相干斷層掃描(optical coherence tomography，OCT)圖像，采用InceptionResnet V2架構(gòu)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)模型，用以識(shí)別4種在高度近視中威脅視力的眼底并發(fā)癥，即視網(wǎng)膜劈裂、黃斑裂孔、視網(wǎng)膜脫離和脈絡(luò)膜新生血管形成。訓(xùn)練后的系統(tǒng)表現(xiàn)良好，敏感性略勝于視網(wǎng)膜病?？漆t(yī)師，特異性超過90%。Hemelings等[32]同樣基于CNN模型，訓(xùn)練人工智能對(duì)視網(wǎng)膜影像進(jìn)行自動(dòng)診斷和分類，同時(shí)將病變部位(視盤、視網(wǎng)膜萎縮、視網(wǎng)膜脫離)在影像上進(jìn)行標(biāo)注。

人工智能還可對(duì)眼底影像中的生理病理結(jié)構(gòu)進(jìn)行自動(dòng)化分割和數(shù)據(jù)分析[33]。Fu等[34]搭建多標(biāo)簽深度學(xué)習(xí)網(wǎng)絡(luò)和極性轉(zhuǎn)換系統(tǒng)，對(duì)眼底影像中的視杯視盤進(jìn)行了精準(zhǔn)的自動(dòng)化分割。Jiang等[35]基于區(qū)域的CNN研發(fā)了JointRCNN算法，聯(lián)合特征提取模塊、區(qū)域提議網(wǎng)絡(luò)、視盤關(guān)注模塊、功能丟失計(jì)算以及分割模塊，完成對(duì)視盤周邊病灶的自動(dòng)化檢測(cè)，測(cè)定病灶范圍。Dodo等[36]利用模糊直方圖增生法和圖切算法，在OCT影像上跨過8個(gè)邊界將視網(wǎng)膜分為7層并注釋。Wu等[37]提出了基于深度學(xué)習(xí)算法NFN+算法，具有新型的級(jí)聯(lián)設(shè)計(jì)和網(wǎng)絡(luò)間連接，能夠比現(xiàn)有模型更準(zhǔn)確地在眼底圖像上標(biāo)注視網(wǎng)膜血管，輔助眼科醫(yī)師進(jìn)行診斷和治療。Tan等[38]基于超過225000幅視網(wǎng)膜圖像訓(xùn)練深度學(xué)習(xí)算法，用以識(shí)別近視性黃斑變性及高度近視，進(jìn)行了回顧性多國(guó)多隊(duì)列的研究，其診斷AUC可達(dá)0.969，表現(xiàn)超過6名眼科專家。Sogawa等[39]運(yùn)用SS-OCT影像訓(xùn)練CNN，用以識(shí)別無黃斑病變的正常眼底與有近視性黃斑病變的眼底圖像，AUC可達(dá)0.970，有較高的準(zhǔn)確性。

在人工智能的輔助下，眼科醫(yī)師可以更快更準(zhǔn)確地完成對(duì)眼底病變的識(shí)別與分析，有效減少讀片時(shí)間，極大提高眼底影像分析效率。利用人工智能進(jìn)行病理性近視的初步診斷與篩查，也可以減輕眼科醫(yī)師的工作量、減少病理性近視篩查的人力物力成本。

3 人工智能在近視矯正與治療中的應(yīng)用

目前，治療近視的主要手段包括佩戴框架眼鏡、角膜塑形鏡、角膜屈光手術(shù)等[40-42]。人工智能在相關(guān)領(lǐng)域的研究也有許多進(jìn)展，如王凱團(tuán)隊(duì)[43]依據(jù)我國(guó)青少年既往的角膜地形圖和屈光數(shù)據(jù)，應(yīng)用人工智能研發(fā)出無接觸、個(gè)性化角膜塑形鏡免試戴配鏡法，準(zhǔn)確率可達(dá)90%以上。

近年來，隨著我國(guó)近視發(fā)病率不斷增加，對(duì)近視屈光手術(shù)的需求也不斷增加，新型屈光手術(shù)技術(shù)不斷應(yīng)運(yùn)而生[44]，對(duì)屈光手術(shù)近視術(shù)前篩查以及術(shù)后隨訪的工作量急劇增加。人工智能對(duì)影像資料強(qiáng)大的識(shí)別與解析能力，可以對(duì)角膜影像進(jìn)行自動(dòng)化、客觀、有效的分析，確定適合手術(shù)的患者，在屈光手術(shù)術(shù)前篩查及術(shù)后并發(fā)癥監(jiān)測(cè)領(lǐng)域具有廣闊的應(yīng)用前景，但目前的研究仍然在小樣本范圍內(nèi)進(jìn)行，未來的實(shí)際運(yùn)用需要進(jìn)一步探索[45]。

圓錐角膜是引起高度近視的常見病因之一，也是角膜屈光手術(shù)的禁忌證之一，其診斷高度依賴影像資料[46]。Lav ric團(tuán)隊(duì)[47]基于CNN開發(fā)了KeratoDetect算法，經(jīng)過訓(xùn)練，可以從角膜斷層顯像中高精度地檢測(cè)圓錐角膜，準(zhǔn)確率可達(dá)99.33%，并能夠監(jiān)測(cè)疾病的進(jìn)展。Xie等[48]基于深度學(xué)習(xí)架構(gòu)研發(fā)的PIRSS系統(tǒng)，對(duì)準(zhǔn)備接受角膜屈光手術(shù)的患者進(jìn)行篩查，排除存在術(shù)后繼發(fā)角膜擴(kuò)張風(fēng)險(xiǎn)以及有圓錐角膜的患者，該團(tuán)隊(duì)在兩年半的時(shí)間里，搜集了1385個(gè)準(zhǔn)備接受角膜屈光手術(shù)的患者的角膜層析影像數(shù)據(jù)，PIRSS系統(tǒng)用6465個(gè)角膜影像進(jìn)行訓(xùn)練，對(duì)懷疑術(shù)后繼發(fā)角膜擴(kuò)張的診斷敏感性可達(dá)80%，對(duì)診斷早期圓錐角膜的敏感性可達(dá)95%，診斷總體準(zhǔn)確率達(dá)到95%，AUC為0.99，通過人工智能進(jìn)行術(shù)前篩查，能夠有效減少角膜屈光手術(shù)的術(shù)后并發(fā)癥，降低手術(shù)風(fēng)險(xiǎn)。

Cui等[49]分析了機(jī)器學(xué)習(xí)技術(shù)用于預(yù)測(cè)全飛秒激光近視手術(shù)列線圖的結(jié)果，研究表明：機(jī)器學(xué)習(xí)安全性預(yù)測(cè)與眼科醫(yī)生相當(dāng)，療效預(yù)測(cè)優(yōu)于眼科醫(yī)生，但在高度近視與散光的預(yù)測(cè)上不如專業(yè)的眼科醫(yī)生。Achiron等[50]應(yīng)用統(tǒng)計(jì)分類算法基于17592個(gè)患者的38個(gè)臨床參數(shù)訓(xùn)練機(jī)器學(xué)習(xí)，可用于近視屈光手術(shù)前的風(fēng)險(xiǎn)評(píng)估，支持臨床決策，幫助患者通過手術(shù)獲益。未來人工智能在近視屈光手術(shù)術(shù)前篩查、術(shù)后預(yù)后預(yù)測(cè)及并發(fā)癥監(jiān)測(cè)等方面有著廣泛的應(yīng)用前景。

4 問題

4.1 可重復(fù)性和可比性較低

目前幾乎所有人工智能和機(jī)器學(xué)習(xí)的研究，都是基于不同數(shù)據(jù)集的分析和訓(xùn)練，不同數(shù)據(jù)集的影像資料分辨率、成色等都有一定的差異，很多團(tuán)隊(duì)的數(shù)據(jù)庫(kù)和源代碼都沒有公開，使得實(shí)驗(yàn)可重復(fù)性和不同算法之間的對(duì)比研究變得十分困難。也正因如此，人工智能算法和系統(tǒng)的研究與實(shí)際臨床應(yīng)用落地之間還存在著較大的距離。為解決這一問題，在嚴(yán)格遵守患者隱私保護(hù)的前提下，可鼓勵(lì)研究團(tuán)隊(duì)公開發(fā)表數(shù)據(jù)集，并由專業(yè)機(jī)構(gòu)集中管理，將數(shù)據(jù)集儲(chǔ)存于廣泛應(yīng)用的機(jī)器學(xué)習(xí)數(shù)據(jù)庫(kù)中，供研究團(tuán)隊(duì)使用，以增加后續(xù)研究的可重復(fù)性和可比性[51]。同時(shí)也可以選擇添加擴(kuò)展程序，Wang等[52]為解決人工智能在分析不同機(jī)構(gòu)、不同掃描程序提供的眼底影像存在障礙的問題，提出了一種新穎的基于補(bǔ)丁的輸出空間對(duì)抗學(xué)習(xí)框架，使人工智能經(jīng)過訓(xùn)練，對(duì)新數(shù)據(jù)集產(chǎn)生適應(yīng)，逐步兼容。

4.2 影像資料質(zhì)量要求高

人工智能的應(yīng)用往往高度依賴眼部的影像資料，因而對(duì)影響資料的質(zhì)量要求較高。對(duì)比度及像素較低的影像資料會(huì)使人工智能的判讀能力降低，出現(xiàn)高特異性低敏感性的結(jié)果，典型的病例依然可以被正確判讀，但會(huì)出現(xiàn)一定數(shù)量的假陽性結(jié)果。為解決這一問題，Zhang等[53]研發(fā)的超廣角眼底篩查系統(tǒng)DeepUWF，創(chuàng)新地引入了6種眼底圖像預(yù)處理技術(shù)：直方圖均衡、自適應(yīng)直方圖均衡(adaptive histogram equalization，AHE)、強(qiáng)度縮放、伽馬校正、S形調(diào)整和有限對(duì)比度AHE，有效提高了人工智能神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，顯著增加了實(shí)驗(yàn)結(jié)果的敏感性。

4.3 可解釋性較低

盡管人工智能具有極其強(qiáng)大的分析、學(xué)習(xí)、預(yù)測(cè)能力，但目前大多數(shù)機(jī)器學(xué)習(xí)算法都對(duì)其診斷過程缺乏解釋能力，其學(xué)習(xí)過程及決策過程的具體步驟是未知的(即“黑箱”)。人工智能的訓(xùn)練過程依賴于建立輸入和輸出結(jié)果間的聯(lián)系。因此，部分算法并不依據(jù)影像資料中的病理信息進(jìn)行診斷，而是綜合了圖片上其他混雜的特征，使其專業(yè)信服度降低。對(duì)“黑箱”進(jìn)行拆解，決策步驟進(jìn)一步細(xì)分，有助于提高機(jī)器學(xué)習(xí)算法的可解釋性，也有助于臨床醫(yī)生通過人工智能，學(xué)習(xí)新的臨床思維，進(jìn)一步提高臨床診斷能力。

4.4 數(shù)據(jù)監(jiān)管與隱私保護(hù)尚不成熟

盡管人工智能在近視防控與治療領(lǐng)域、乃至整個(gè)醫(yī)療領(lǐng)域都有著相當(dāng)廣闊的應(yīng)用前景，人工智能方便、高效、快捷，成本效益比極佳，但這一切效率的前提來自于對(duì)眾多患者真實(shí)臨床數(shù)據(jù)的收集，由此不可避免地帶來患者隱私泄露、數(shù)據(jù)濫用、決策公平等問題，目前我國(guó)在人工智能相關(guān)隱私問題的法律法規(guī)尚不夠完善，不同機(jī)構(gòu)的患者數(shù)據(jù)保密工作水平參差不齊，有關(guān)部門可加強(qiáng)相關(guān)領(lǐng)域的監(jiān)管，研究機(jī)構(gòu)應(yīng)切實(shí)履行保護(hù)患者隱私的義務(wù)，以減少相關(guān)的倫理與法律問題，促進(jìn)人工智能研究領(lǐng)域的發(fā)展。

4.5 研究范圍較為局限，交叉研究較少

目前，人工智能在近視問題的研究多局限在對(duì)影像資料的處理，具體表現(xiàn)為：疾病的篩查與預(yù)測(cè)、病理性近視的診斷與分類、以及近視矯正與屈光手術(shù)治療等領(lǐng)域，但人工智能聯(lián)合基因組學(xué)、蛋白組學(xué)、環(huán)境科學(xué)以及人文社會(huì)科學(xué)等綜合學(xué)科進(jìn)行近視防控的研究還相對(duì)較少，一方面是人工智能技術(shù)近年來發(fā)展過于迅猛，交叉領(lǐng)域研究需要時(shí)間；另一方面，跨學(xué)科的綜合研究需要有關(guān)部門牽頭合作，整合資源。不可否認(rèn)的是，要實(shí)現(xiàn)人工智能對(duì)青少年近視的精準(zhǔn)防控，需要進(jìn)一步拓展目前人工智能的研究領(lǐng)域，注重人工智能結(jié)合其他領(lǐng)域的跨學(xué)科探索。

5 結(jié)語

由于眼科學(xué)自身學(xué)科的特點(diǎn)，臨床診斷依賴對(duì)影像資料的解析，人工智能強(qiáng)大的圖像分析能力使其在眼科領(lǐng)域具有較大的應(yīng)用前景。目前，有關(guān)人工智能在近視防控中的應(yīng)用大多還處于試驗(yàn)階段，隨著臨床研究逐步展開，未來人工智能在真實(shí)臨床場(chǎng)景中診治的準(zhǔn)確性與穩(wěn)定性將逐步提高。同時(shí)，伴隨著大數(shù)據(jù)、5G技術(shù)與物聯(lián)網(wǎng)技術(shù)的快速發(fā)展，更多的可穿戴智能設(shè)備和APP能實(shí)時(shí)可靠地監(jiān)測(cè)兒童青少年的用眼習(xí)慣、發(fā)現(xiàn)屈光異常，監(jiān)控近視進(jìn)展，為近視的早期干預(yù)與預(yù)防提供條件。同時(shí)，智能設(shè)備所收集的海量數(shù)據(jù)，可在云端收集儲(chǔ)存，建立數(shù)據(jù)庫(kù)，為今后的人工智能訓(xùn)練提供新的素材；也可進(jìn)行大數(shù)據(jù)分析，幫助研究人員進(jìn)一步了解近視的流行病學(xué)及發(fā)病機(jī)制，為今后人工智能近視精準(zhǔn)防控的大規(guī)模深度推廣打下基礎(chǔ)。同時(shí)，伴隨著基因檢測(cè)和各地電子病歷系統(tǒng)的逐步普及，未來人工智能可逐步整合患者的綜合信息，為近視的個(gè)體化防控提供可能。利用人工智能可大幅度降低近視篩查的時(shí)間成本及人力物力成本，可有效減緩高度近視、病理性近視進(jìn)展，減少眼底病變的產(chǎn)生，降低近視致盲的發(fā)病率，減少由高度近視帶來的公共衛(wèi)生負(fù)擔(dān)。

開放獲取聲明

本文適用于知識(shí)共享許可協(xié)議(Creative Commons)，允許第三方用戶按照署名(BY)-非商業(yè)性使用(NC)-禁止演繹(ND)(CC BY-NC-ND)的方式共享，即允許第三方對(duì)本刊發(fā)表的文章進(jìn)行復(fù)制、發(fā)行、展覽、表演、放映、廣播或通過信息網(wǎng)絡(luò)向公眾傳播，但在這些過程中必須保留作者署名、僅限于非商業(yè)性目的、不得進(jìn)行演繹創(chuàng)作。詳情請(qǐng)?jiān)L問：https://creativecommons.org/licenses/by-ncnd/4.0/。