随着融合计算机科学、数学、逻辑学的机器学习等人工智能(AI)技术的迅猛发展，AI与医学大数据的结合在医学领域中的应用前景日趋向好。眼球作为一种结构精密的光学器官，使得基于眼科影像进行病变分析成为眼病诊疗的重要前提。2016年，Gulshan等发表了首篇基于眼底照相图像，通过AI算法进行糖尿病视网膜病变(DR)诊断的研究。该研究表明，医生在有限的医疗条件下可充分利用DR的高灵敏度及特异性筛查的优势，标志着AI在眼科应用的开始。

  据统计，截至2021年，全球AI论文年发表量达334500篇，其中眼科AI论文有58500篇。AI在眼底病、白内障、青光眼、近视和角膜病等各类眼科疾病的筛查诊断中展现出强大的辅助诊断能力。眼科AI诊断系统实现了精准、高效的疾病定性辅助诊断和疾病特征定量分析，不仅提高了眼科医生阅片诊断效率，还解决了眼科医疗资源分布不均的现状，为偏远地区及基层医院提供了均质化的诊断决策辅助，带来了眼科诊疗模式的重大变革。

  持续创新升级眼科AI应用场景的不断拓展得益于眼科丰富的影像数据来源。早期眼科智能诊疗系统主要集中于眼底彩照，现在已向单一光学相干断层扫描(OCT)、超声生物显微镜、相干光层析血管成像术、荧光素眼底血管造影、角膜地形图等全领域影像形态延伸，实现了涵盖眼表、眼底等不同疾病的智能辅助诊断系统开发。

  2018年，全球首个基于眼底照相的DR人工智能筛查应用指南发布，与眼底相机硬件配置、数据采集、数据库建立、算法评价、AI临床应用方案等相关的应用规范也纷纷出台。同年，世界第一款AI医疗设备IDx-DR获批用于DR的辅助诊断。2020年，国家药监局批准了国内首批AI辅助DR诊断的软件上市，实现了眼科AI系统从最初的算法建模开发与验证，到应用于临床实践的全过程。

  初代眼科AI辅助诊断系统使用单一模态影像数据作为输入，实现单一疾病分类诊断或病灶特征识别。随着算法的更新与突破，DeepMind公司利用OCT图像训练的AI模型实现了多种疾病的辅助诊断，开启了单模态多任务的新模式。参考医生的临床实践，眼科AI辅助诊断系统通过对不同类型、不同模态影像数据进行综合分析实现疾病的精准诊断，成功实现了年龄相关性黄斑变性(AMD)等眼底疾病的精准分类诊断，不断向单模态多病种、双模态单病种等方向发展。

  研究中的瓶颈虽然眼科AI有着良好的发展前景，但其研究创新道路同样处于螺旋上升状态，目前研究中遇到的瓶颈主要集中于以下几个方面。

  一是缺乏高质量、标准化的眼病数据集。当前，尽管眼科医疗影像数据量大、种类多，但已有的公开眼科数据在不同程度上存在着图像质量低、数据量小或无统一标注标准等问题，限制了眼科AI辅助诊断系统的最终性能。究其原因在于不同医疗机构检查设备多样、操作规范和数据存储模式不一，机构之间缺乏完善的数据共享机制，导致不同医疗机构的数据难以匹配使用，限制大规模数据集构建。另外，高标准数据集依赖人工精确标注，不同人员标注结果参差不齐，限制了高质量标准化数据集的建立。

  二是算法模型缺少对眼科影像数据的深度挖掘，未能体现AI在新诊断靶标发现和筛选上的价值。目前，绝大多数应用于眼科疾病辅助诊断的AI算法主要采用端对端的监督式模型。这种模型通过深度学习和已标注数据集直接从图像中实现病灶识别和疾病诊断，可高效快速地对眼病做出初步判断。然而，监督式深度学习模型依赖于高质量的标注和大规模的数据集，因此模型性能受限于临床医生决策和标注水平。原来的端对端AI模型直接从输入图像向疾病或病灶预测输出，缺乏对输入数据的计算分析，难以实现新型特异性敏感影像靶标的挖掘，从而限制了其在疾病早期精准诊断方面的应用。

  三是眼科AI辅助诊断系统过多依赖影像数据，缺乏多源信息融合，诊断结果可解释性差。眼病的发生和发展涉及复杂的机制，在不同的阶段呈现不同的病理损伤、临床症状和体征，仅依靠影像数据难以获得疾病精准诊断所需的全面信息。因此，临床疾病诊疗往往需要联合患者症状体征相关的多模态影像数据、临床指标、组学信息等多来源的诊断信息进行相关逻辑决策。然而，现有眼科智能诊断模型更多聚焦于单模态、双模态影像数据融合，缺乏对多源信息的整合、加权分析和筛选，无法建立符合临床诊断逻辑的决策模型。

  探索临床应用基于上述研究瓶颈，改进的建议如下：一是建立标准化信息共享的眼科数据平台与规范。除了基于统一标准的人工标注数据集外，采用数据模型、自然语言处理和深度学习技术，对现阶段医疗大数据中的海量半结构化和非结构化数据(例如病历文本、眼病指南/专家共识和生物组学数据)进行处理，建立结构化、标准化和多模态的医疗大数据也至关重要。在标准化医疗数据共享过程中，进一步加强数据隐私保护和数据安全，建立基于区块链技术的共享机制，应用分布式数据存储和授权使用模式以及加密算法，可保证临床数据的自主性。

  二是加强契合眼科临床需求的算法创新。比如，障碍性算法创新的应用和元学习面向多任务进行联合训练，从而精准提取和量化分析眼部细微解剖结构特征，可构建眼组织特征参数模型，从而实现病灶识别、生物测量和生物计算的一体化，以满足未来眼科智能算法模型的重要临床需求。这些模型将为眼病早期诊断和精准分型分级提供全新的量化敏感靶标，并为眼病治疗方案制定、进展预测以及预后判断提供精细化参数指导。

  三是实现眼科人工智能辅助诊断从图像可解释到逻辑可解释的跨越。在眼科医疗实践中，制定诊疗策略通常需要多类型、多维度的数据，包括影像、生理传感器数据以及结构化和非结构化文本。随着AI技术的发展，我们逐渐加深了对人类思维模式的认识，可解释的人工智能可以使我们理解和追溯算法如何得出结果，从而信任机器学习算法所产生的输出。多源信息融合智能技术的发展涉及各种模态之间的交互、迁移以及对齐，并需要与临床实践紧密结合。然而，各种数据配对的要求导致了前期原始数据采集和后期人工标注的难度和成本的增加，使深入探索并设计更智能、具有自主选择能力的多模态数据匹配融合机制变得尤为重要。基于此，我们可以构建符合临床诊疗逻辑的眼病知识图谱，并完成深度学习诊断模型和知识图谱的深度聚合，从而推动联合数据驱动和知识驱动的智能诊断系统研发，探索出具有临床逻辑可解释的眼科智能诊疗系统输出形式。

  微言——积极拥抱新技术当前，不论是辅助诊断，还是辅助药物研发，AI技术已经在临床应用创新中发挥出显著作用。

  在药物研发领域，由于AI技术在设计或识别具有药物特性的分子方面具有很强的能力，因此，研究人员可以通过AI技术筛选出潜在新药。在诊断领域，AI技术可以赋能病理诊断，帮助医生精确诊断疾病。在眼科领域，5G远程AI辅助眼病诊断系统也已经突破了地域限制，使优质医疗资源下沉。

  随着AI技术的不断升级和产业的快速增长，其在眼科领域的潜在应用模式的内涵正在发生变化。推动眼科人工智能场景创新对于促进更高水平应用人工智能非常重要。从当前的辅助诊断向多维度的临床需求拓展，建立以创新AI算法为核心的深度融合技术方案，如虚拟现实、分布计算、边缘计算、机器人和高性能影像装备等前沿技术，可以推进眼科智能医学技术在眼病监测、视力训练与评估、手术导航、远程手术、无人医疗等领域的创新应用。这或将成为未来眼科智能医学模式的重点突破方向。

  此外，结合前沿技术的眼科诊疗应用场景创新，可以促进眼科智能医疗关键技术和系统平台的优化升级，形成技术供给和场景需求的互动演进，从而推动AI算法持续创新发展。

  眼科是AI辅助诊断应用的重要领域之一，其实践探索反过来也将促进AI技术不断解决新问题，取得新突破。在学科深度交叉融合的背景下，智能医学被确定为《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》的重要战略目标之一，眼科智能医学的未来前景广阔。

  应该看到，要实现智能医学的跨越式发展，离不开新技术的加持。眼科智能医学的新模式需要医生从患者角度出发，以人工智能为驱动，实现智能化、多维度的人机交互。总之，积极主动拥抱新技术，是我们接受AI辅助的应有之义。

更多资讯 敬请关注
“医药梦网”微信公众号

更多资讯 敬请关注
“药城”微信公众号