随着人工智能(AI)技术特别是深度学习的快速发展,AI在眼科领域的研究呈现出病种多样化、场景广泛化和研究深入化的趋势。AI在糖尿病视网膜病变、老年性黄斑变性、青光眼等眼科疾病的研究中表现出良好的性能,展现出眼科AI的巨大潜力。然而,目前多数研究尚处于初级阶段,眼科AI的运用仍面临结果可解释性欠缺、数据标准化缺乏和临床适用性不足等诸多挑战。同时也应看到,多模式影像学的发展、5G和物联网等数字技术和远程医疗的创新,以及视网膜状态能反映全身疾病的新发现都给眼科AI的发展带来了新的机遇。了解AI在眼科领域的研究现状,把握发展过程中的新挑战和新机遇,成功实现眼科AI从研究到实际运用的转化。
引用本文: 张明, 周思睿. 把握挑战和机遇:人工智能与眼科诊疗. 中华眼底病杂志, 2021, 37(2): 93-97. doi: 10.3760/cma.j.cn511434-20210121-00044 复制
近年来,随着运算速度和储存能力的提高、深度学习算法和体系结构的完善以及医学大数据的积累,人工智能(AI)技术在医学领域飞速发展,目前已在眼、放射、心血管和肿瘤等多个学科开展了大量相关研究[1-5]。机器学习(ML)和深度学习(DL)是AI的两个重要概念。ML是AI的子领域,通常需要耗费大量的人力和专业知识来设计有效的特征提取器,从而将原始的输入数据转换为有用的输出信息,因此处理原始数据的能力有限;而DL则是ML的子集,它是一种表示学习方法,无需特殊编程,能自动提取已知数据中的规则用于未知数据的判断,因此能处理更多复杂的数据[1]。DL算法即人工神经网络。多模式影像学的发展为眼科疾病的诊断提供了更加广阔的视野,广泛使用的眼底照相和光相干断层扫描(OCT)为DL模型的开发提供了丰富的数据集,为AI在眼科领域的领先式发展创造了条件。自2016年首批运用DL筛查糖尿病视网膜病变(DR)的论文[6-7]发表以来,AI特别是DL在眼科领域的研究呈现出爆发式增长。研究病种从最初集中于DR、老年性黄斑变性(AMD)和青光眼,逐渐向早产儿视网膜病变(ROP)、白内障、角膜疾病等其他疾病扩展,研究场景涵盖了筛查、诊断、治疗、预测等疾病诊疗流程中的各个环节,研究也从模型算法到临床验证再到经济价值评估,内容层层深化。然而,多数研究尚处于初级探索阶段,眼科AI的发展仍然面临诸多挑战,如结果可解释性欠缺、数据标准化缺乏和临床适用性不足等。尽管如此,多模式影像学的发展、5G和物联网等数字技术和远程医疗的创新以及视网膜状态能反映全身疾病的新发现都给眼科AI的发展带来了新的机遇。了解眼科AI的研究现状,迎接新挑战,把握新机遇,才能成功实现眼科AI从研究到临床运用的转化。
1 AI在DR中的运用
DR是全球中年人即工作年龄阶段成年人获得性视力丧失的主要原因[8]。据估计,DR的患者人数到2030年将达到1.91亿[9]。由于DR的患病率高、后果严重以及仅依据单一模式影像(眼底彩色照相)即可确诊等特点,其因此成为眼科最早开展AI研究的疾病,也是研究最多最成熟的疾病。
筛查是AI之于DR最重要的运用。目前国际上已有许多研究团队建立了不同的筛查DR的DL模型,均表现出不错的检测性能,曲线下面积为0.89~0.99,灵敏度为87.2%~100.0%,特异性为87.0%~100.0%[7, 10-12];并且其中一些算法已在美国、欧洲、中国和非洲等不同国家和地区进行了外部验证[13-15]。还有一些团队开发了可以同时检测包括DR、AMD和青光眼在内多种眼部疾病的DL模型[15-16]。这些研究成果展示了AI作为DR筛查工具的巨大潜力,鼓舞全球的研究者开展了更多更深入的工作。
AI对DR的研究不再停留在模型开发的初级阶段,而是在模型性能被验证后走上了从研发到临床转化的道路。2018年4月11日,美国食品药品监督管理局批准了Abramoff团队开发的用于DR筛查的IDx-DR模型,这是首个获批的DR筛查设备。该模型能对轻度以上的DR进行转诊,以减轻基层眼科医生的负担,提高DR筛查的效率。这是AI产品从实验室迈向临床运用的第一步,对AI在眼科乃至整个医学领域的发展都有着划时代的意义。
研究证明,DR筛查的AI解决方案有利于节省医疗成本,拥有巨大的经济价值[17]。这些研究从AI模型最初的开发与验证,到临床的转化与运用,再到社会经济价值的考虑,标志着AI在DR筛查的运用逐步走向成熟。
AI在DR的运用并不局限于DR疾病本身,其研究的范围正在逐步扩大。糖尿病黄斑水肿(DME)是DR的严重并发症,是DR患者视力下降甚至丧失的主要原因。已有研究团队开发了检测DME以及基于OCT表现预测DME患者抗血管内皮生长因子(VEGF)治疗反应的DL模型[18-19]。可以看出,AI从DR筛查作为切入点,正在改变着DR诊疗流程的方方面面。
2 AI在AMD中的运用
AMD严重威胁50岁以上人群的视力,是老年人中首位不可逆致盲原因[20]。据预测,全球患有不同程度的AMD患者在2020年为1.96亿,到2040将增加到2.88亿[21]。其中,晚期AMD特别是渗出型AMD严重威胁着患者的视力。AMD是众多团队争先研究的另一目标。目前,相关研究包含了AMD筛查、诊断、治疗、预测等疾病诊疗流程中的各个环节。
首先,在人群中筛查出中期AMD对延缓疾病进展有重要意义[22]。早期的AI研究多基于眼底彩色照相[16, 23]。由于OCT在显示细微结构上较眼底彩色照相更具优势,因此基于OCT的模型表现出了更好的性能[24]。其次,为了给不同疾病阶段的AMD患者提供个性化治疗,有研究团队基于OCT建立了多种AMD分期和分级的DL模型,包括对AMD患者按照疾病严重程度进行二分类、五分类以及最多分为十三类的模型,从总体上来看,分类数量越少的模型性能越好[25-26]。再次,抗VEGF药物是目前渗出型AMD的一线治疗方法,但是其在真实世界的治疗效果远不及临床试验。已有研究团队开发AI工具检测脉络膜新生血管(CNV)活动性,或借助AI模型判断渗出型AMD患者的治疗指征,旨在提高其治疗效果[27-28]。此外,不少团队利用AI工具对AMD的疾病发展、治疗需求和视力预后等进行了成功的预测[29-32]。
从以上研究可以看出,AI研究不局限于疾病诊疗流程中的某个环节,而是可以全方位地协助医生进行AMD的疾病管理。值得一提的是,数据集也不仅限于眼底彩色照相和OCT图像。有研究利用容积OCT和三维OCT等更加复杂多样的图像形式进行了模型的构建[27, 29],相较于单一的眼底彩色照相和OCT图像,这些图像能够提供更多的疾病信息,但是这也对硬件的性能和模型的算法提出了新的挑战。
3 AI在青光眼中的运用
青光眼是全球首位不可逆致盲眼病。据估计,全球40~80岁青光眼患者人数在2020年为7600万,到2040年将达到1.12亿[33]。青光眼以视盘和视网膜神经纤维层(RNFL)等异常改变为特征,表现为进行性向心性的视野缺损。AI的首要目标便是通过这些结构和功能上的异常来检测青光眼。
首先,一些团队用视野图像训练DL网络以识别青光眼,实现了较高诊断准确性,甚至高于青光眼专家[34-35]。其次,有研究表明,青光眼患者结构性损伤的发生先于视野的损害[36],通过结构性改变可能更早地识别青光眼,从而早期干预改善预后。因此,更多的研究是利用眼底彩色照相和OCT来训练DL模型,通过提取视盘和RNFL的结构特征来达到检测青光眼的目的[16, 37-41]。最后,也有研究将功能和结构相结合用于青光眼的检测,准确率优于单独分析单一的功能或结构[39]。另外,AI模型已经能够较为准确地预测疾病的进展[42-44]。
目前青光眼的诊断标准尚无共识,诊断通常仅基于专家意见。并且,有研究表明,观察者之间和观察者自身对青光眼诊断和进展判断的一致性较低[45-46],这影响了AI系统的准确性和不同系统之间的可比性。增加多种输入类型,如功能、结构甚至基因数据以提高青光眼检测能力是未来的发展方向。另外,运用无监督学习方法来挖掘更多青光眼的未知新特征,可能为青光眼的诊断提出新的见解。
4 AI在其他眼科疾病中的运用
许多AI研究团队对ROP进行了探索[47]。除此之外,AI在包括圆锥角膜、感染性角膜炎、屈光手术、角膜移植、成年和小儿白内障等眼前节疾病的研究中也表现出巨大的潜力[48]。总体来看,AI在眼科领域的研究逐渐向更多疾病种类扩展,并且从筛查诊断到指导治疗,其运用范围也越来越广泛。
5 AI在眼科发展的挑战
AI技术在眼科领域已经展示出了光明的运用前景,但是目前大多数研究尚处于初步探索阶段,在这些研究真正转化为临床运用之前还有诸多问题有待解决。
首先是结果可解释性的欠缺,即“黑匣子”现象,这可能会降低医生和患者对检测结果的接受程度。由于DL是一种端到端的学习方法,即输入原始数据,直接输出结果,而省去了手动编码的过程,因此DL对于检测结果缺乏解释能力,无法对结果提供确切的判断依据。随着DL的发展,目前有几种方法有助于提高结果的可解释性,包括遮挡测试和热图生成[49]。例如,有研究针对他们用于检测需要转诊的DR的DL算法开发了一种可视化工具,以了解其决策过程。该方法在3%的真实阳性病例中突出显示了不符合常规诊断依据的区域,如视盘及部分与视网膜血管相邻的视网膜[50]。然而尚无法确定这些非常规区域究竟是新的生物标志物,还是学习过程中产生的错误关联。
其次是数据标准化的缺乏。DL模型检测结果只能无限趋近于用于训练的数据集,因此训练集的优劣决定了检测结果的好坏。既往一些研究中的数据集大小不一、质量参差不齐,用这些数据集建立起来的DL模型准确性无法保证,更无法推广到临床。建立大规模、标准化的数据集是当前AI发展的当务之急,其中的标准化包括但不限于诊断金标准、数据采集流程、数据格式以及数据标注等。
第三是临床适用性的不足。虽然许多模型在研究阶段表现出了良好的性能,但是这些模型在真实世界中的准确性和稳定性仍然难以确定。首先,DL模型的创建都是基于历史数据的回顾性研究,而在临床实践中,疾病患病率和图像质量的差异等因素都有可能造成模型性能的降低。因此在模型正式投入临床使用前,其准确性、可行性和鲁棒性都必须接受前瞻性研究严格的检验。例如IDx-DR模型在获批之前,也经过了前瞻性研究的证实[51],但是模型在实际运用中的表现仍有待进一步验证。其次,DL模型的建立都是基于特定的数据集,因此应当注意每个模型都有各自的适用范围,包括相应数据集中包含的种族、人群、诊断标准和影像设备差异等重要信息。
最后是对伦理和法律问题的考量。AI系统的判断是否能完全替代临床医生,AI系统做出错误判断所致的不良后果到底应由算法开发商承担还是由临床医生负责,诸如此类的伦理问题仍然存在争议。AI训练和运用过程中的指南、规范、法律也有待建立和完善。
6 AI在眼科发展的机遇
虽然眼科AI在发展中充满挑战,但我们更应看到先进技术带来的新机遇。
首先是多模式影像学的发展。目前,AI模型的训练多基于单一的眼底彩色照相或者频域OCT图像。然而,新一代扫频源OCT和扫描激光眼底镜等无创眼底检查设备以及OCT血管成像技术已经走进临床并逐渐成熟,为医生观察视网膜疾病提供了全新的视角和更多的细节。这些先进的影像技术与AI结合,势必擦出闪亮的火花。而且,单一的图像提供的疾病信息有限,多种不同类型的影像能给医生提供多维度的疾病信息,有助于提高诊断的准确性。因此在模型构建过程中结合多种模式的影像以及其他疾病数据,也是未来的发展方向。
其次是数字技术和远程医疗的创新。近年来,5G技术、物联网等数字创新快速发展,为AI的运用提供了新的机遇。5G具有传输快、延迟低、容量大的特点,可以助力AI进行远程、快速、实时的诊断[52],不仅提高了疾病诊断效率,还能减少眼科医生匮乏的偏远地区的就诊压力。物联网技术旨在保持不同设备和机器之间的互联,而不需要人为干预[52]。例如,DR患者可以通过便携式眼底照相设备定期进行眼底检查,通过AI识别其是否需要转诊,或通过5G进行AI云诊断,并将诊断结果和治疗建议通过智能手机返回给患者,使DR患者能够得到最及时的诊疗;同时,眼底照相和诊断结果将会云储存,便于患者和医生随时随地查看。值得一提的是,新型冠状病毒的疫情大流行为远程医疗的发展提供了新的契机。在疫情中,眼科医生感染新冠病毒的风险较高,可能与眼科门诊量大以及医生和患者的密切接触有关。基于AI的远程医疗对于减少病毒传播、提高诊疗效率具有重要意义,这也将逐渐成为疫情以后眼科诊疗的新常态。
最后,视网膜是全身少数能直接观察到血管的组织。已有研究表明,视网膜状态与心血管疾病、阿尔茨海默病和睡眠呼吸暂停综合征等全身疾病有着千丝万缕的联系[53-54]。借助眼科AI,通过视网膜无创检查实现对全身疾病的预测也是未来眼科AI的重要运用之一。
近年来,随着运算速度和储存能力的提高、深度学习算法和体系结构的完善以及医学大数据的积累,人工智能(AI)技术在医学领域飞速发展,目前已在眼、放射、心血管和肿瘤等多个学科开展了大量相关研究[1-5]。机器学习(ML)和深度学习(DL)是AI的两个重要概念。ML是AI的子领域,通常需要耗费大量的人力和专业知识来设计有效的特征提取器,从而将原始的输入数据转换为有用的输出信息,因此处理原始数据的能力有限;而DL则是ML的子集,它是一种表示学习方法,无需特殊编程,能自动提取已知数据中的规则用于未知数据的判断,因此能处理更多复杂的数据[1]。DL算法即人工神经网络。多模式影像学的发展为眼科疾病的诊断提供了更加广阔的视野,广泛使用的眼底照相和光相干断层扫描(OCT)为DL模型的开发提供了丰富的数据集,为AI在眼科领域的领先式发展创造了条件。自2016年首批运用DL筛查糖尿病视网膜病变(DR)的论文[6-7]发表以来,AI特别是DL在眼科领域的研究呈现出爆发式增长。研究病种从最初集中于DR、老年性黄斑变性(AMD)和青光眼,逐渐向早产儿视网膜病变(ROP)、白内障、角膜疾病等其他疾病扩展,研究场景涵盖了筛查、诊断、治疗、预测等疾病诊疗流程中的各个环节,研究也从模型算法到临床验证再到经济价值评估,内容层层深化。然而,多数研究尚处于初级探索阶段,眼科AI的发展仍然面临诸多挑战,如结果可解释性欠缺、数据标准化缺乏和临床适用性不足等。尽管如此,多模式影像学的发展、5G和物联网等数字技术和远程医疗的创新以及视网膜状态能反映全身疾病的新发现都给眼科AI的发展带来了新的机遇。了解眼科AI的研究现状,迎接新挑战,把握新机遇,才能成功实现眼科AI从研究到临床运用的转化。
1 AI在DR中的运用
DR是全球中年人即工作年龄阶段成年人获得性视力丧失的主要原因[8]。据估计,DR的患者人数到2030年将达到1.91亿[9]。由于DR的患病率高、后果严重以及仅依据单一模式影像(眼底彩色照相)即可确诊等特点,其因此成为眼科最早开展AI研究的疾病,也是研究最多最成熟的疾病。
筛查是AI之于DR最重要的运用。目前国际上已有许多研究团队建立了不同的筛查DR的DL模型,均表现出不错的检测性能,曲线下面积为0.89~0.99,灵敏度为87.2%~100.0%,特异性为87.0%~100.0%[7, 10-12];并且其中一些算法已在美国、欧洲、中国和非洲等不同国家和地区进行了外部验证[13-15]。还有一些团队开发了可以同时检测包括DR、AMD和青光眼在内多种眼部疾病的DL模型[15-16]。这些研究成果展示了AI作为DR筛查工具的巨大潜力,鼓舞全球的研究者开展了更多更深入的工作。
AI对DR的研究不再停留在模型开发的初级阶段,而是在模型性能被验证后走上了从研发到临床转化的道路。2018年4月11日,美国食品药品监督管理局批准了Abramoff团队开发的用于DR筛查的IDx-DR模型,这是首个获批的DR筛查设备。该模型能对轻度以上的DR进行转诊,以减轻基层眼科医生的负担,提高DR筛查的效率。这是AI产品从实验室迈向临床运用的第一步,对AI在眼科乃至整个医学领域的发展都有着划时代的意义。
研究证明,DR筛查的AI解决方案有利于节省医疗成本,拥有巨大的经济价值[17]。这些研究从AI模型最初的开发与验证,到临床的转化与运用,再到社会经济价值的考虑,标志着AI在DR筛查的运用逐步走向成熟。
AI在DR的运用并不局限于DR疾病本身,其研究的范围正在逐步扩大。糖尿病黄斑水肿(DME)是DR的严重并发症,是DR患者视力下降甚至丧失的主要原因。已有研究团队开发了检测DME以及基于OCT表现预测DME患者抗血管内皮生长因子(VEGF)治疗反应的DL模型[18-19]。可以看出,AI从DR筛查作为切入点,正在改变着DR诊疗流程的方方面面。
2 AI在AMD中的运用
AMD严重威胁50岁以上人群的视力,是老年人中首位不可逆致盲原因[20]。据预测,全球患有不同程度的AMD患者在2020年为1.96亿,到2040将增加到2.88亿[21]。其中,晚期AMD特别是渗出型AMD严重威胁着患者的视力。AMD是众多团队争先研究的另一目标。目前,相关研究包含了AMD筛查、诊断、治疗、预测等疾病诊疗流程中的各个环节。
首先,在人群中筛查出中期AMD对延缓疾病进展有重要意义[22]。早期的AI研究多基于眼底彩色照相[16, 23]。由于OCT在显示细微结构上较眼底彩色照相更具优势,因此基于OCT的模型表现出了更好的性能[24]。其次,为了给不同疾病阶段的AMD患者提供个性化治疗,有研究团队基于OCT建立了多种AMD分期和分级的DL模型,包括对AMD患者按照疾病严重程度进行二分类、五分类以及最多分为十三类的模型,从总体上来看,分类数量越少的模型性能越好[25-26]。再次,抗VEGF药物是目前渗出型AMD的一线治疗方法,但是其在真实世界的治疗效果远不及临床试验。已有研究团队开发AI工具检测脉络膜新生血管(CNV)活动性,或借助AI模型判断渗出型AMD患者的治疗指征,旨在提高其治疗效果[27-28]。此外,不少团队利用AI工具对AMD的疾病发展、治疗需求和视力预后等进行了成功的预测[29-32]。
从以上研究可以看出,AI研究不局限于疾病诊疗流程中的某个环节,而是可以全方位地协助医生进行AMD的疾病管理。值得一提的是,数据集也不仅限于眼底彩色照相和OCT图像。有研究利用容积OCT和三维OCT等更加复杂多样的图像形式进行了模型的构建[27, 29],相较于单一的眼底彩色照相和OCT图像,这些图像能够提供更多的疾病信息,但是这也对硬件的性能和模型的算法提出了新的挑战。
3 AI在青光眼中的运用
青光眼是全球首位不可逆致盲眼病。据估计,全球40~80岁青光眼患者人数在2020年为7600万,到2040年将达到1.12亿[33]。青光眼以视盘和视网膜神经纤维层(RNFL)等异常改变为特征,表现为进行性向心性的视野缺损。AI的首要目标便是通过这些结构和功能上的异常来检测青光眼。
首先,一些团队用视野图像训练DL网络以识别青光眼,实现了较高诊断准确性,甚至高于青光眼专家[34-35]。其次,有研究表明,青光眼患者结构性损伤的发生先于视野的损害[36],通过结构性改变可能更早地识别青光眼,从而早期干预改善预后。因此,更多的研究是利用眼底彩色照相和OCT来训练DL模型,通过提取视盘和RNFL的结构特征来达到检测青光眼的目的[16, 37-41]。最后,也有研究将功能和结构相结合用于青光眼的检测,准确率优于单独分析单一的功能或结构[39]。另外,AI模型已经能够较为准确地预测疾病的进展[42-44]。
目前青光眼的诊断标准尚无共识,诊断通常仅基于专家意见。并且,有研究表明,观察者之间和观察者自身对青光眼诊断和进展判断的一致性较低[45-46],这影响了AI系统的准确性和不同系统之间的可比性。增加多种输入类型,如功能、结构甚至基因数据以提高青光眼检测能力是未来的发展方向。另外,运用无监督学习方法来挖掘更多青光眼的未知新特征,可能为青光眼的诊断提出新的见解。
4 AI在其他眼科疾病中的运用
许多AI研究团队对ROP进行了探索[47]。除此之外,AI在包括圆锥角膜、感染性角膜炎、屈光手术、角膜移植、成年和小儿白内障等眼前节疾病的研究中也表现出巨大的潜力[48]。总体来看,AI在眼科领域的研究逐渐向更多疾病种类扩展,并且从筛查诊断到指导治疗,其运用范围也越来越广泛。
5 AI在眼科发展的挑战
AI技术在眼科领域已经展示出了光明的运用前景,但是目前大多数研究尚处于初步探索阶段,在这些研究真正转化为临床运用之前还有诸多问题有待解决。
首先是结果可解释性的欠缺,即“黑匣子”现象,这可能会降低医生和患者对检测结果的接受程度。由于DL是一种端到端的学习方法,即输入原始数据,直接输出结果,而省去了手动编码的过程,因此DL对于检测结果缺乏解释能力,无法对结果提供确切的判断依据。随着DL的发展,目前有几种方法有助于提高结果的可解释性,包括遮挡测试和热图生成[49]。例如,有研究针对他们用于检测需要转诊的DR的DL算法开发了一种可视化工具,以了解其决策过程。该方法在3%的真实阳性病例中突出显示了不符合常规诊断依据的区域,如视盘及部分与视网膜血管相邻的视网膜[50]。然而尚无法确定这些非常规区域究竟是新的生物标志物,还是学习过程中产生的错误关联。
其次是数据标准化的缺乏。DL模型检测结果只能无限趋近于用于训练的数据集,因此训练集的优劣决定了检测结果的好坏。既往一些研究中的数据集大小不一、质量参差不齐,用这些数据集建立起来的DL模型准确性无法保证,更无法推广到临床。建立大规模、标准化的数据集是当前AI发展的当务之急,其中的标准化包括但不限于诊断金标准、数据采集流程、数据格式以及数据标注等。
第三是临床适用性的不足。虽然许多模型在研究阶段表现出了良好的性能,但是这些模型在真实世界中的准确性和稳定性仍然难以确定。首先,DL模型的创建都是基于历史数据的回顾性研究,而在临床实践中,疾病患病率和图像质量的差异等因素都有可能造成模型性能的降低。因此在模型正式投入临床使用前,其准确性、可行性和鲁棒性都必须接受前瞻性研究严格的检验。例如IDx-DR模型在获批之前,也经过了前瞻性研究的证实[51],但是模型在实际运用中的表现仍有待进一步验证。其次,DL模型的建立都是基于特定的数据集,因此应当注意每个模型都有各自的适用范围,包括相应数据集中包含的种族、人群、诊断标准和影像设备差异等重要信息。
最后是对伦理和法律问题的考量。AI系统的判断是否能完全替代临床医生,AI系统做出错误判断所致的不良后果到底应由算法开发商承担还是由临床医生负责,诸如此类的伦理问题仍然存在争议。AI训练和运用过程中的指南、规范、法律也有待建立和完善。
6 AI在眼科发展的机遇
虽然眼科AI在发展中充满挑战,但我们更应看到先进技术带来的新机遇。
首先是多模式影像学的发展。目前,AI模型的训练多基于单一的眼底彩色照相或者频域OCT图像。然而,新一代扫频源OCT和扫描激光眼底镜等无创眼底检查设备以及OCT血管成像技术已经走进临床并逐渐成熟,为医生观察视网膜疾病提供了全新的视角和更多的细节。这些先进的影像技术与AI结合,势必擦出闪亮的火花。而且,单一的图像提供的疾病信息有限,多种不同类型的影像能给医生提供多维度的疾病信息,有助于提高诊断的准确性。因此在模型构建过程中结合多种模式的影像以及其他疾病数据,也是未来的发展方向。
其次是数字技术和远程医疗的创新。近年来,5G技术、物联网等数字创新快速发展,为AI的运用提供了新的机遇。5G具有传输快、延迟低、容量大的特点,可以助力AI进行远程、快速、实时的诊断[52],不仅提高了疾病诊断效率,还能减少眼科医生匮乏的偏远地区的就诊压力。物联网技术旨在保持不同设备和机器之间的互联,而不需要人为干预[52]。例如,DR患者可以通过便携式眼底照相设备定期进行眼底检查,通过AI识别其是否需要转诊,或通过5G进行AI云诊断,并将诊断结果和治疗建议通过智能手机返回给患者,使DR患者能够得到最及时的诊疗;同时,眼底照相和诊断结果将会云储存,便于患者和医生随时随地查看。值得一提的是,新型冠状病毒的疫情大流行为远程医疗的发展提供了新的契机。在疫情中,眼科医生感染新冠病毒的风险较高,可能与眼科门诊量大以及医生和患者的密切接触有关。基于AI的远程医疗对于减少病毒传播、提高诊疗效率具有重要意义,这也将逐渐成为疫情以后眼科诊疗的新常态。
最后,视网膜是全身少数能直接观察到血管的组织。已有研究表明,视网膜状态与心血管疾病、阿尔茨海默病和睡眠呼吸暂停综合征等全身疾病有着千丝万缕的联系[53-54]。借助眼科AI,通过视网膜无创检查实现对全身疾病的预测也是未来眼科AI的重要运用之一。