人工智能在青光眼診療中的應(yīng)用

劉沛雨，張 旭

0引言

青光眼是一種以視神經(jīng)損傷與視野缺損為主要特征的疾病，也是全世界排名第一的不可逆致盲性眼病，預(yù)計(jì)到2040年，全世界青光眼患者人數(shù)將達(dá)到1.118億[1]。青光眼早期起病隱匿，診斷困難，當(dāng)出現(xiàn)癥狀時(shí)，患者已經(jīng)出現(xiàn)了不可逆的視野缺損與視力下降。青光眼的早期診斷與干預(yù)能夠降低視功能下降的風(fēng)險(xiǎn)，因此進(jìn)行合理的分級(jí)診療，進(jìn)行高效快捷的早期基層篩查和轉(zhuǎn)診，以及進(jìn)一步精確診斷就顯得尤為重要。青光眼診斷需要依托多種影像手段，目前研究認(rèn)為人工智能(AI)非常適用于醫(yī)學(xué)圖像分析與疾病檢測(cè)，與傳統(tǒng)的主觀診斷模式相比，AI具有更加高效地識(shí)別青光眼損傷的能力[2]。AI是新興的科學(xué)工程技術(shù)之一，起源于1950年的圖靈測(cè)試，當(dāng)時(shí)主要應(yīng)用于計(jì)算機(jī)領(lǐng)域[3]，隨后，作為AI子集的機(jī)器學(xué)習(xí)(ML)出現(xiàn)，用于學(xué)習(xí)數(shù)據(jù)模式，初步應(yīng)用于醫(yī)學(xué)領(lǐng)域。在2010年左右作為ML子集的深度學(xué)習(xí)(DL)開始廣泛應(yīng)用于醫(yī)學(xué)領(lǐng)域，運(yùn)用多種人工神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)集進(jìn)行學(xué)習(xí)，提取特征，構(gòu)建關(guān)聯(lián)模式，在復(fù)雜的醫(yī)學(xué)數(shù)據(jù)中有著極大的應(yīng)用價(jià)值[4]。本文就AI在青光眼中應(yīng)用的進(jìn)展進(jìn)行詳細(xì)闡述，包括眼底照相在青光眼篩查中的應(yīng)用、光學(xué)相干斷層掃描(optical coherence tomography,OCT)與視野檢查在青光眼臨床輔助診斷與進(jìn)展預(yù)測(cè)的應(yīng)用，分析AI在青光眼應(yīng)用中的困難與挑戰(zhàn)，最后對(duì)于AI在青光眼診療中的應(yīng)用進(jìn)行了展望與小結(jié)。

1 AI在青光眼篩查中的應(yīng)用

研究表明，青光眼患病率與人口的年齡增長(zhǎng)呈正比,其嚴(yán)重影響了人類的生存質(zhì)量，給社會(huì)帶來(lái)了巨大的經(jīng)濟(jì)負(fù)擔(dān)。大部分患者出現(xiàn)視功能障礙時(shí)才就醫(yī)，已錯(cuò)過(guò)了最佳治療時(shí)機(jī)[5]。由于青光眼的起病隱匿，青光眼患者應(yīng)該盡早進(jìn)行篩查進(jìn)而轉(zhuǎn)診以獲得精準(zhǔn)的診斷以及個(gè)性化治療方案,早期干預(yù)治療者預(yù)后較佳[6]。

AI技術(shù)在青光眼、白內(nèi)障、眼底病等多種眼科疾病的早期篩查中均顯示出了極大的潛力且擁有較大的社會(huì)效益[7-9]。采用AI輔助診斷技術(shù)實(shí)現(xiàn)對(duì)青光眼的早期篩查，可避免因早期誤診或漏診而致青光眼患者視功能受損，減少青光眼盲的發(fā)生率[10]。青光眼篩查強(qiáng)調(diào)早發(fā)現(xiàn)、早診斷、早治療，在傳統(tǒng)的青光眼篩查模式中，眼科醫(yī)生通過(guò)眼壓計(jì)、眼底照相等檢查手段進(jìn)行初步診斷，這種模式存在諸多的缺陷：(1)診斷準(zhǔn)確率無(wú)法保障，存在一定的漏診誤診。(2)傳統(tǒng)的篩查模式是人工進(jìn)行，診斷效率低、篩查成本高。而AI篩查系統(tǒng)可以為青光眼篩查提供一種快捷有效的模式，相比于遠(yuǎn)程眼科會(huì)診平臺(tái)與傳統(tǒng)眼病篩查模式，AI篩查系統(tǒng)對(duì)青光眼的檢出率與效率更高，同時(shí)大大地降低了患者的醫(yī)療成本[11]。

目前針對(duì)青光眼篩查的技術(shù)主要有眼壓檢查與眼底照相。AI在青光眼的早期篩查中，主要與眼底照相技術(shù)相結(jié)合，眼底照相是判斷青光眼視神經(jīng)損害最為快捷、簡(jiǎn)便的檢查方法[12]，同時(shí)眼壓檢查作為青光眼篩查的金標(biāo)準(zhǔn)，也可以作為眼底照相的重要輔助診斷依據(jù)。近年來(lái)，有許多眼底照相識(shí)別青光眼的DL研究，其主要從兩個(gè)方面應(yīng)用于眼底圖像識(shí)別：(1)從眼底圖像中得到明確的杯盤比(cup-disc ratio,C/D)或者直接對(duì)識(shí)別的圖像整體進(jìn)行分級(jí)，來(lái)檢測(cè)是否存在青光眼病變；(2)通過(guò)“機(jī)器到機(jī)器”的模式，通過(guò)識(shí)別眼底圖像來(lái)預(yù)測(cè)OCT的檢測(cè)值，比如預(yù)測(cè)視網(wǎng)膜神經(jīng)纖維層(retinal nerve fiber layer,RNFL)的厚度等來(lái)進(jìn)行?；诘谝环矫娴难芯恐校琇i等[13]開發(fā)一種DL網(wǎng)絡(luò)(ResNet101)，利用彩色眼底圖像識(shí)別青光眼性視神經(jīng)病變(glaucomatous optic neuropathy,GON)，該研究使用34279張眼底圖像進(jìn)行DL模型的訓(xùn)練和測(cè)試,結(jié)果得出的靈敏度為0.957，特異性為0.929，受試者工作特征曲線下面積(area under curve,AUC)為0.992，這是一項(xiàng)基于大數(shù)據(jù)庫(kù)的研究，可信度較高。這種DL算法可以高效、低成本地為專家提供輔助診斷意見，并幫助基層醫(yī)療機(jī)構(gòu)進(jìn)行大規(guī)模的青光眼篩查。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)是人工神經(jīng)網(wǎng)絡(luò)的一種，擁有從原始像素強(qiáng)度和圖像整體中進(jìn)行高度區(qū)分特征的能力，能夠直接識(shí)別圖像整體進(jìn)行青光眼診斷。Liu等[14]通過(guò)CNN進(jìn)行青光眼初步診斷，使用了269601張眼底照片進(jìn)行訓(xùn)練、測(cè)試和驗(yàn)證，結(jié)果顯示該DL模型的AUC為0.996。這類研究表明CNN能幫助青光眼篩查提高成本效益和時(shí)間效率?；诘诙矫娴难芯恐?，該類模型的原理是通過(guò)識(shí)別眼底圖像來(lái)精準(zhǔn)預(yù)測(cè)OCT檢查的測(cè)量參數(shù)，從而更加準(zhǔn)確地識(shí)別青光眼病變。在Medeiros等[15]的一項(xiàng)研究中，使用32820張眼底照片的OCT數(shù)據(jù)訓(xùn)練一個(gè)CNN，從而評(píng)估眼底照片并預(yù)測(cè)OCT檢測(cè)的平均RNFL厚度，從而預(yù)測(cè)得到的RNFL厚度與實(shí)際測(cè)得的RNFL厚度有很高的相似性，使用這些預(yù)測(cè)值區(qū)分青光眼和正常眼的AUC為0.944,同時(shí)使用實(shí)際RNFL值測(cè)得的AUC為0.940，結(jié)果近乎相同。因此“機(jī)器到機(jī)器”模型能夠推動(dòng)多模態(tài)數(shù)據(jù)之間的結(jié)合，加強(qiáng)多種青光眼檢查之間的聯(lián)系。

AI在GON的早期篩查中十分重要，在基層推廣AI可以很好地解決城鄉(xiāng)醫(yī)療資源分布不均、醫(yī)生水平差異較大等問(wèn)題。但是在基層應(yīng)用AI，需要有統(tǒng)一的規(guī)范與指南，以保證在基層應(yīng)用的可行性。我國(guó)針對(duì)AI青光眼眼底照相輔助篩查系統(tǒng)的數(shù)據(jù)采集、算法模型構(gòu)建、硬件要求等都提出了統(tǒng)一標(biāo)準(zhǔn)[16]。隨著AI在眼底圖像識(shí)別能力上的飛速發(fā)展，加之更加標(biāo)準(zhǔn)的臨床指南，青光眼的基層早期篩查會(huì)更加趨于高效性、高準(zhǔn)確性以及低成本性。

2 AI在青光眼診斷中的應(yīng)用

在進(jìn)行AI眼底照相篩查后，青光眼患者需要進(jìn)行上下轉(zhuǎn)診進(jìn)一步明確診斷。眼底照相十分便捷經(jīng)濟(jì)，適合于在基層地區(qū)輔助大規(guī)模青光眼篩查，但進(jìn)一步精確診斷需要結(jié)合OCT與視野檢查的結(jié)果，這兩種檢查方法都是判斷青光眼損害的客觀標(biāo)準(zhǔn)。由于這些精確診斷的設(shè)備昂貴、城鄉(xiāng)醫(yī)療資源分布不均等多種原因?qū)е缕錈o(wú)法在基層衛(wèi)生機(jī)構(gòu)普及，需要在基層篩查后轉(zhuǎn)入上級(jí)醫(yī)院進(jìn)行OCT與視野的檢查。近年來(lái)，AI在OCT和視野檢查上的研究與應(yīng)用更加深入，極大地提高了青光眼的診斷效率與準(zhǔn)確率。同時(shí)也有研究將OCT與視野檢查的診斷結(jié)合，從功能與結(jié)構(gòu)上進(jìn)行分析，分別從結(jié)構(gòu)和功能上提出青光眼診斷的客觀標(biāo)準(zhǔn)[17]，得到更加合理與精確的診斷結(jié)果。

2.1OCT 近年來(lái)已有許多研究通過(guò)OCT的圖像與數(shù)據(jù)來(lái)進(jìn)行DL，進(jìn)而對(duì)GON進(jìn)行檢測(cè)。這些DL模型的數(shù)據(jù)輸入模式主要有3大類：(1)通過(guò)傳統(tǒng)的OCT檢測(cè)得到的定量參數(shù)、厚度圖、偏差圖等，是通過(guò)電腦自動(dòng)分割的；(2)通過(guò)未分割的二維掃描圖；(3)通過(guò)未分割的三維掃描圖。然而在傳統(tǒng)的OCT模式中，提取的測(cè)量參數(shù)是經(jīng)過(guò)機(jī)器自動(dòng)分割的，它在很大程度上不完善，會(huì)有部分的分割錯(cuò)誤與偽影，從而出現(xiàn)了一些關(guān)于訓(xùn)練識(shí)別無(wú)分割圖像的DL算法。

在基于傳統(tǒng)OCT檢測(cè)的研究中，Asaoka等[18]的DL模型輸入的參數(shù)是8×8網(wǎng)格黃斑RNFL厚度和黃斑區(qū)神經(jīng)節(jié)細(xì)胞內(nèi)叢狀層(ganglion cell inner plexiform layer,GCIPL)厚度，結(jié)果AUC為0.937,證明OCT的診斷性能在使用DL模型后有了實(shí)質(zhì)性的提高。在最新的研究中，Lee等[19]通過(guò)輸入RNFL與GCIPL的厚度圖與偏差圖四種圖像，從中提取特征進(jìn)行集成DL，該算法的AUC為0.990，取得極佳的效能，能精準(zhǔn)區(qū)分青光眼與正常眼。

在基于未分割的二維掃描圖的研究中，Mariottoni等[20]建立了一種無(wú)分割的DL算法，通過(guò)評(píng)估未分割的OCT二維掃描圖來(lái)預(yù)測(cè)RNFL厚度，且與傳統(tǒng)OCT檢查得到的數(shù)值高度相似，在有錯(cuò)誤或其他偽影的圖像中仍然能提取出準(zhǔn)確的RNFL厚度，提高了青光眼診斷的準(zhǔn)確率。Thompson等[21]利用未分割的二維掃描圖進(jìn)行DL算法訓(xùn)練，做到高效地鑒別青光眼與健康眼，相對(duì)于傳統(tǒng)OCT，他們的算法對(duì)青光眼結(jié)構(gòu)變化有著更好的診斷性能。

在基于未分割的三維掃描圖的研究中，DL算法可以更充分地利用青光眼病變的相關(guān)信息[22]。Maetschke等[23]研究中，開發(fā)了一種可通過(guò)未分割的OCT三維掃描圖分辨青光眼與健康眼的DL算法，該算法的性能優(yōu)于基于傳統(tǒng)OCT的算法，AUC為0.940，該項(xiàng)研究強(qiáng)調(diào)了視盤、視杯以及篩板區(qū)域是三維OCT圖像中青光眼診斷的重要區(qū)域。Ran等[24]利用大量的OCT三維掃描圖訓(xùn)練了一項(xiàng)DL算法診斷青光眼，證明了經(jīng)過(guò)三維掃描圖訓(xùn)練的DL算法診斷性能明顯高于二維掃描圖訓(xùn)練的DL算法，同時(shí)該DL算法具有與青光眼專家相當(dāng)?shù)脑\斷能力。最新的研究中，通過(guò)對(duì)三維掃描圖的圖像增強(qiáng)與3D分割來(lái)量化視盤病變情況，可以做到在不同的設(shè)備與數(shù)據(jù)集上進(jìn)行[25]。

2.2視野視野檢查是診斷青光眼的重要依據(jù)，同時(shí)視野報(bào)告提供諸多參數(shù)與二維圖像。ML、DL與Humphrey視野計(jì)等深度結(jié)合，通過(guò)輸入視野圖生成有效的輸出，如可靠性指數(shù)、視野指數(shù)等并進(jìn)行分析，極大地提高了對(duì)青光眼的診斷效能。AI主要通過(guò)前饋神經(jīng)網(wǎng)絡(luò)(feedforward neural network,FNN)、CNN、原型分析等算法應(yīng)用于視野檢查，提高了青光眼的診斷效率與準(zhǔn)確率。Asaoka等[26]利用FNN學(xué)習(xí)輸入的視野圖將前期青光眼與健康眼區(qū)分開來(lái)，將AUC提升至0.926，明顯高于其他的ML算法，如隨機(jī)森林、支持向量機(jī)等?；贑NN的研究，Li等[27]的早期研究中，輸入4012張模式偏差概率圖對(duì)青光眼進(jìn)行分級(jí)，并利用CNN進(jìn)行測(cè)試、訓(xùn)練、驗(yàn)證，結(jié)果AUC為0.876，優(yōu)于其他兩種青光眼的分類標(biāo)準(zhǔn)，同時(shí)準(zhǔn)確率也高于青光眼醫(yī)生與專家，特異性和靈敏度分別為0.826和0.932。在Li等[28]的后續(xù)研究中，他們開發(fā)了基于手機(jī)智能應(yīng)用程序的CNN算法iGlaucoma，用于診斷從Humphrey視野計(jì)輸出的視野圖，在第一階段測(cè)試中診斷準(zhǔn)確性高于6名參與的眼科醫(yī)生，在第二階段的研究中其結(jié)果在模式偏差概率圖中識(shí)別不同模式青光眼的準(zhǔn)確度為0.990，相應(yīng)的AUC、靈敏度和特異性分別為0.966、0.954和0.873，在區(qū)分青光眼和非青光眼視野方面取得了更高的準(zhǔn)確性。該項(xiàng)研究成果能夠很好地應(yīng)用于青光眼的臨床診斷，并且十分快速準(zhǔn)確。

近些年，一種叫做原型分析的無(wú)監(jiān)督算法出現(xiàn)，對(duì)視野的缺損模式進(jìn)行定量分類和獨(dú)立分析，該方法是與傳統(tǒng)統(tǒng)計(jì)分析相似的技術(shù)，與CNN無(wú)關(guān)。在Elze等[29]的研究中，對(duì)13321個(gè)Humphrey視野進(jìn)行了無(wú)監(jiān)督學(xué)習(xí)，以識(shí)別不同的視野缺損模式，能夠檢測(cè)與RNFL損傷相對(duì)應(yīng)的視野模式，得到的結(jié)果可以量化青光眼視野缺損的各種亞型。后續(xù)的研究中，能夠排除非青光眼視野缺損以及晶狀體邊緣偽影等因素的干擾，使結(jié)果更加準(zhǔn)確[30]。

AI應(yīng)用于視野檢查能極大地提高青光眼的診斷效率與準(zhǔn)確性，利用FNN、CNN、原型分析等算法，逐步提升對(duì)視野的診斷效能，同時(shí)克服其他干擾因素，在未來(lái)有極大的應(yīng)用前景。

2.3OCT與視野結(jié)合基于OCT或視野的單模態(tài)AI應(yīng)用取得了一定的進(jìn)展，同時(shí)在OCT與視野結(jié)合的多模態(tài)AI應(yīng)用也初見成效。一系列研究表明，相較于單獨(dú)在結(jié)構(gòu)或功能上進(jìn)行AI的測(cè)試學(xué)習(xí)，同時(shí)在結(jié)構(gòu)與功能上進(jìn)行AI測(cè)試學(xué)習(xí)的診斷效能更好[31-32]。因此一系列基于OCT與視野結(jié)合的多模態(tài)AI研究應(yīng)運(yùn)而生。在早期研究中，因其樣本太小，通過(guò)完整的視野圖與OCT測(cè)得的RNFL厚度進(jìn)行數(shù)據(jù)訓(xùn)練[31]，雖然提高了診斷效能，但不具有足夠的說(shuō)服力?；贠CT與視野配對(duì)的數(shù)據(jù)與研究并不多，在2020年Mariottoni等[17]提出了基于OCT和視野檢查參數(shù)的GON客觀定義與標(biāo)準(zhǔn)，標(biāo)準(zhǔn)中涵蓋了完善的整體與局部參數(shù)，將結(jié)構(gòu)與功能損傷一一對(duì)應(yīng)。在最新的Xiong等[33]的研究中，開發(fā)了一個(gè)基于OCT與視野配對(duì)數(shù)據(jù)輸入的新型DL算法，首次在大樣本OCT-視野配對(duì)數(shù)據(jù)上驗(yàn)證了雙模態(tài)診斷算法相比單模態(tài)的優(yōu)越性，由于OCT與視野的互補(bǔ)性，雙模態(tài)算法能精準(zhǔn)地識(shí)別青光眼患者，是世界上首次聯(lián)合功能(視野)與結(jié)構(gòu)(OCT)的大數(shù)據(jù)檢查，AUC達(dá)到0.943，優(yōu)于同期檢測(cè)的任一單一模態(tài)。

通過(guò)對(duì)以上3種模式的分析發(fā)現(xiàn)，基于單模態(tài)的AI研究已經(jīng)相對(duì)完善與成熟，而基于多模態(tài)的AI研究還不夠成熟。因此在未來(lái)，AI在青光眼診斷的研究需要在多模態(tài)算法上深入開拓，因?yàn)槎嗄B(tài)數(shù)據(jù)利用了更加完整的檢查參數(shù)同時(shí)更具全面性，利用多模態(tài)的數(shù)據(jù)能對(duì)青光眼做出更加精準(zhǔn)的診斷。

3 AI在青光眼預(yù)測(cè)中的應(yīng)用

當(dāng)前AI在青光眼的研究主要集中于視神經(jīng)結(jié)構(gòu)與功能損傷的診斷，而在預(yù)測(cè)青光眼進(jìn)展的研究較少[34]。提前預(yù)測(cè)青光眼的進(jìn)展具有很大的臨床意義，如能通過(guò)眼底照相、OCT、視野檢查的數(shù)據(jù)來(lái)預(yù)測(cè)青光眼后續(xù)的進(jìn)展，患者與臨床醫(yī)生都將從中受益。

在早期青光眼的進(jìn)展預(yù)測(cè)中，使用的是卡爾曼濾波模型。在Schell等[35]的研究中，通過(guò)對(duì)青光眼患者應(yīng)用卡爾曼濾波模型，發(fā)現(xiàn)其比醫(yī)院的監(jiān)測(cè)系統(tǒng)能更早地預(yù)測(cè)青光眼的進(jìn)展，同時(shí)預(yù)測(cè)模型可以通過(guò)加入后續(xù)的疾病進(jìn)展數(shù)據(jù)，再次精準(zhǔn)地預(yù)測(cè)青光眼的后續(xù)疾病軌跡。近年來(lái)，DL算法在青光眼進(jìn)展預(yù)測(cè)中也有一些研究，以基線視野或OCT檢查數(shù)據(jù)為基礎(chǔ)，進(jìn)行DL算法的訓(xùn)練，做到預(yù)測(cè)青光眼的疾病進(jìn)展。Berchuck等[36]開發(fā)了一種DL算法，輸入29161個(gè)視野報(bào)告進(jìn)行訓(xùn)練，對(duì)患者未來(lái)2～4a的視野模式與變化進(jìn)行預(yù)測(cè)并進(jìn)行隨訪驗(yàn)證，預(yù)測(cè)到未來(lái)4a 35%患者存在疾病進(jìn)展的可能性。Wen等[37]開發(fā)了一項(xiàng)能預(yù)測(cè)未來(lái)青光眼視野進(jìn)展的DL算法，通過(guò)輸入32443個(gè)24-2視野報(bào)告與多個(gè)視野檢測(cè)位點(diǎn)，研究結(jié)果證明該模型的預(yù)測(cè)能力明顯優(yōu)于以往的線性模型，能做到預(yù)測(cè)青光眼患者未來(lái)5.5a的視野進(jìn)展，而預(yù)測(cè)結(jié)果與實(shí)際值的平均誤差僅為0.41dB。在Christopher等[38]的研究中，通過(guò)輸入OCT檢查的結(jié)果，利用ML算法從中學(xué)習(xí)青光眼的結(jié)構(gòu)損傷，預(yù)測(cè)未來(lái)RNFL的變化與進(jìn)展。已有研究表明，通過(guò)結(jié)合眼壓、OCT、視野、眼底照相等檢查的數(shù)據(jù)，尋找其內(nèi)在聯(lián)系，建立多模態(tài)的數(shù)據(jù)組合，有望提升對(duì)青光眼進(jìn)展預(yù)測(cè)的準(zhǔn)確性[39]。

雖然以上研究能通過(guò)基線水平預(yù)測(cè)未來(lái)視野與結(jié)構(gòu)損傷進(jìn)展情況，但是卻無(wú)法精確地指出疾病的進(jìn)展在未來(lái)哪個(gè)準(zhǔn)確的時(shí)間點(diǎn)出現(xiàn)，這將是未來(lái)亟待解決的一個(gè)難點(diǎn)。

4 AI在青光眼應(yīng)用中的困難與挑戰(zhàn)

盡管大量的研究已經(jīng)證明AI技術(shù)可應(yīng)用于青光眼疾病的診療，且具有較高的準(zhǔn)確性，但這些AI模型在臨床實(shí)施和臨床實(shí)踐中仍面臨許多臨床和技術(shù)的挑戰(zhàn)：(1)AI數(shù)據(jù)集的數(shù)量與質(zhì)量難以保障。DL算法是AI最具代表性的工具，但其輔助青光眼診斷需要大樣本(樣本量>10000)，且需要精確的測(cè)試、訓(xùn)練、驗(yàn)證三種數(shù)據(jù)集的支撐。然而不同地區(qū)與機(jī)構(gòu)的檢查設(shè)備與診療水平不同，導(dǎo)致獲取并存儲(chǔ)大量的有標(biāo)簽的圖像集存在一定的困難[40]。且理想的數(shù)據(jù)集需要包括臨床表現(xiàn)的變化、眼底相機(jī)類型、其他診斷相關(guān)的檢查數(shù)據(jù)等，導(dǎo)致統(tǒng)一標(biāo)準(zhǔn)的大數(shù)據(jù)庫(kù)難以建立。(2)DL算法的“黑箱”性質(zhì)阻礙其在臨床的發(fā)展，它的機(jī)制是未知的，也就是DL是通過(guò)何種特征進(jìn)行診斷的[41]。算法內(nèi)部更具體的機(jī)制及每一卷積層的物理含義并不十分明確，無(wú)法為臨床醫(yī)生提供診斷依據(jù)。DL算法從訓(xùn)練數(shù)據(jù)集中推導(dǎo)出結(jié)構(gòu)或功能與疾病相關(guān)性的模式，其模式與實(shí)際理論可能存在一定的不一致性，在輸入多模態(tài)數(shù)據(jù)集時(shí)，模式中可能會(huì)關(guān)聯(lián)一些與青光眼診斷無(wú)關(guān)的數(shù)據(jù)作為參考。(3)高AUC不一定有高的臨床價(jià)值。DL算法在小樣本的高質(zhì)量數(shù)據(jù)集中進(jìn)行訓(xùn)練測(cè)試，容易取得較高的AUC,但是在大數(shù)據(jù)集中則相反。同時(shí)，不同的AI研究不能通過(guò)其AUC直接比較其研究效能，因?yàn)楦鱾€(gè)研究使用的數(shù)據(jù)集的患病率、地區(qū)、年齡、種族不同。(4)AI在青光眼診療應(yīng)用中接受度問(wèn)題。AI仍在落地起步階段，通過(guò)醫(yī)療審批的相關(guān)眼科醫(yī)療產(chǎn)品極少，普及度較低，導(dǎo)致醫(yī)生與患者的普遍接受度不高。醫(yī)生與患者接受AI的臨床應(yīng)用需要一個(gè)過(guò)程[42]。(5)長(zhǎng)期的在臨床使用AI可能會(huì)導(dǎo)致臨床醫(yī)生的診斷能力下降[43]。擁有AI高準(zhǔn)確性的輔助診斷后，可能會(huì)導(dǎo)致臨床醫(yī)生還未對(duì)患者檢查結(jié)果進(jìn)行獨(dú)立診斷之前，就采納了AI的診斷結(jié)果。長(zhǎng)此以往會(huì)使臨床醫(yī)生對(duì)AI技術(shù)產(chǎn)生依賴性，從而導(dǎo)致臨床醫(yī)生獨(dú)立思考與診斷的能力下降，間接助長(zhǎng)了漏診誤診率。

5 AI在青光眼應(yīng)用中的展望與總結(jié)

AI在青光眼中的診斷能力已經(jīng)得到了足夠的體現(xiàn)，在臨床上的研究相對(duì)成熟。建立有效的AI與眼底照相結(jié)合應(yīng)用于青光眼篩查模式，再輔以眼壓檢測(cè)，能夠大大提高其篩查效率與準(zhǔn)確性，能夠在各地區(qū)廣泛展開青光眼的篩查[44-45]。在未來(lái)，由AI主導(dǎo)的青光眼篩查模式將具備高準(zhǔn)確性、高效率、高效益、低成本等多種優(yōu)點(diǎn)，而隨之各地區(qū)的高質(zhì)量數(shù)據(jù)庫(kù)也將建立，高質(zhì)量的數(shù)據(jù)庫(kù)同時(shí)能反哺AI進(jìn)行高質(zhì)量的訓(xùn)練測(cè)試，提高AI算法的性能，形成一個(gè)良性閉環(huán)。隨著《中國(guó)基于眼底照相的人工智能青光眼輔助篩查系統(tǒng)規(guī)范化設(shè)計(jì)及應(yīng)用指南》的出臺(tái)[16]，AI的青光眼篩查系統(tǒng)將會(huì)在未來(lái)更加標(biāo)準(zhǔn)與合理，從而逐步實(shí)現(xiàn)AI青光眼篩查的落地。

在AI輔助診斷青光眼方面，單模態(tài)OCT、視野檢查的研究逐步完善，但基于多模態(tài)數(shù)據(jù)的研究亟待開拓，以此提高AI診斷青光眼的效能與綜合性。同時(shí)，AI的泛化能力需要進(jìn)一步提高，也需要減少無(wú)效數(shù)據(jù)與參數(shù)的輸入。未來(lái)需要探討出一個(gè)合理的標(biāo)準(zhǔn)對(duì)不同AI在青光眼中的異質(zhì)性研究來(lái)進(jìn)行比較，需要綜合考慮AUC、性別、年齡、數(shù)據(jù)集數(shù)量、并發(fā)疾病等情況。

AI在未來(lái)青光眼的預(yù)測(cè)中也是重要的一環(huán)。其在青光眼的預(yù)測(cè)中已經(jīng)有了一定的進(jìn)展，在未來(lái)將做到精準(zhǔn)預(yù)測(cè)青光眼患者的進(jìn)展情況。同時(shí)在臨床患者的個(gè)性化治療中也具有一定的應(yīng)用前景[46]，收集足夠的縱向數(shù)據(jù)，AI能夠幫助醫(yī)生進(jìn)行青光眼患者個(gè)性化治療方案的設(shè)計(jì)，如個(gè)性化的藥物療程或手術(shù)建議，通過(guò)治療將患者眼壓控制在安全靶眼壓。最后通過(guò)隨訪結(jié)果調(diào)整方案，做到控制疾病的進(jìn)展，為疾病的預(yù)后帶來(lái)極大的幫助。在未來(lái)，AI將通過(guò)其檢測(cè)大數(shù)據(jù)集中的特征模式的能力，為患者選擇更適合的治療藥物與手術(shù)方式，更好地進(jìn)行青光眼進(jìn)展的個(gè)性化干預(yù)與預(yù)后。

綜上所述，AI通過(guò)與眼底照相、OCT、視野檢查等技術(shù)相結(jié)合，在青光眼的早期篩查、臨床診斷、進(jìn)展預(yù)測(cè)、個(gè)性化治療與預(yù)后等方面均展現(xiàn)了可觀的性能，同時(shí)也存在一定的局限性。隨著科技水平與經(jīng)濟(jì)實(shí)力的提高，智能化診療時(shí)代即將到來(lái)，AI在眼科領(lǐng)域?qū)⒌玫狡占耙酝苿?dòng)世界青光眼患病率降低，為青光眼患者帶來(lái)福音，取得更大的社會(huì)效益。