姜百慧 項(xiàng)開來(lái) 秦秀虹 盧建民 何歲勤 趙慕瑤 馬翔

視網(wǎng)膜疾病是復(fù)雜多樣的眼科疾病，其臨床診斷常常需要眼科醫(yī)生結(jié)合大量影像學(xué)檢查進(jìn)行判斷。在臨床診療過程中，圖像質(zhì)量較低、醫(yī)師經(jīng)驗(yàn)相對(duì)不足等都會(huì)對(duì)影像資料造成誤判，未能對(duì)疾病進(jìn)行早期診療，使疾病惡化，甚至造成失明。因此，如何利用好既有的醫(yī)學(xué)影像技術(shù)是視網(wǎng)膜疾病診斷的關(guān)鍵。

深度學(xué)習(xí)(deep learning，DL)是機(jī)器學(xué)習(xí)的一個(gè)新興分支，源于對(duì)人工神經(jīng)網(wǎng)絡(luò)的研究，其主要通過模仿生物神經(jīng)信號(hào)轉(zhuǎn)導(dǎo)機(jī)制構(gòu)建神經(jīng)網(wǎng)絡(luò)來(lái)解釋數(shù)據(jù)，通過大規(guī)模的數(shù)據(jù)訓(xùn)練，完成從特征到任務(wù)目標(biāo)的映射。它的出現(xiàn)有助于臨床醫(yī)生快速識(shí)別疾病、減少誤診、改善工作流程。較傳統(tǒng)圖像分析而言，DL在眼科影像的采集、評(píng)分、降噪和分析等方面有更加廣闊的前景。目前，DL已經(jīng)應(yīng)用于多種眼科影像學(xué)檢查中，包括眼底照相、光學(xué)相干斷層掃描(OCT)、光學(xué)相干斷層掃描血管成像(OCTA)[1]及眼底熒光素血管造影(FFA)等，有助于眼底疾病的早期診斷及臨床分期的明確，并減少臨床醫(yī)師的工作量。本文就相關(guān)影像學(xué)檢查對(duì)DL在視網(wǎng)膜疾病中的應(yīng)用進(jìn)行綜述。

1 DL對(duì)圖像的分析處理

DL與傳統(tǒng)機(jī)器學(xué)習(xí)基于人工特征提取的方法不同，模擬了生物大腦對(duì)數(shù)據(jù)的理解方式，無(wú)需人工設(shè)計(jì)特征表示方式，通過對(duì)大規(guī)模數(shù)據(jù)的學(xué)習(xí)，將數(shù)據(jù)特征層層抽象為自身任務(wù)所需的特征表示方法，完成從特征到任務(wù)目標(biāo)的映射。

DL的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究。自1943年McCulloch與Pitts提出神經(jīng)元的數(shù)學(xué)模型—MP模型以來(lái)，人工神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)逐漸發(fā)展成熟，然而受研究條件的限制，當(dāng)時(shí)神經(jīng)網(wǎng)絡(luò)的發(fā)展舉步維艱[2]。近年來(lái)隨著計(jì)算機(jī)性能的飛速提升，人工神經(jīng)網(wǎng)絡(luò)已逐漸擺脫了硬件上的限制。目前以反向傳播算法和隨機(jī)梯度下降算法為基礎(chǔ)的人工神經(jīng)網(wǎng)絡(luò)已成為應(yīng)用最廣泛的人工智能方法之一。在圖像資料方面，從信號(hào)處理領(lǐng)域演化而來(lái)的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)作為DL的一大核心內(nèi)容被廣泛應(yīng)用在計(jì)算機(jī)視覺問題的處理中。CNN將圖像視為由像素值組成的大型矩陣，同時(shí)使用卷積核對(duì)每個(gè)位置進(jìn)行卷積操作，得到濾波后的特征圖，接著采用池化操作對(duì)特征圖進(jìn)行壓縮，簡(jiǎn)化計(jì)算復(fù)雜度并提取主要特征。大部分CNN的主體由卷積層和池化層交錯(cuò)有序排列構(gòu)成，并在網(wǎng)絡(luò)結(jié)構(gòu)末端連有全連接層以整合特征。CNN由粗略到精細(xì)逐步提取圖像特征，產(chǎn)生各類語(yǔ)義信息，并據(jù)此完成圖像處理任務(wù)，解決諸如圖像分類、語(yǔ)義分割、圖像檢索、物體檢測(cè)等問題。在疾病診療方面，CNN已被應(yīng)用到復(fù)雜的醫(yī)學(xué)圖像分析中，如乳腺癌、肺癌及肝癌等癌癥的影像學(xué)診斷，其應(yīng)用逐步擴(kuò)展,并已應(yīng)用到眼科疾病的診斷中，如眼前節(jié)疾病、青光眼、眼底疾病等。

2 DL在視網(wǎng)膜疾病中的應(yīng)用

目前眼底影像學(xué)資料正在不斷增加，但并不意味借助影像學(xué)資料所有醫(yī)師都能夠提供及時(shí)的診斷和轉(zhuǎn)診[3]。即使是眼科各科?？漆t(yī)生，診斷水平和診斷效率也不盡相同，導(dǎo)致許多視網(wǎng)膜疾病未得到及時(shí)干預(yù)而進(jìn)展到疾病終末期。DL為醫(yī)學(xué)圖像的解釋和分類等提供了高效且準(zhǔn)確的解決方案，能做到快速識(shí)別疾病，進(jìn)行早診斷、早治療和及時(shí)有效的干預(yù)，延緩病情進(jìn)展。

2.1 視網(wǎng)膜血管疾病

2.1.1 糖尿病視網(wǎng)膜病變糖尿病視網(wǎng)膜病變(DR)是全球致盲首要原因之一，糖尿病患者在治療糖尿病時(shí)往往忽略了并發(fā)癥的存在，DR的進(jìn)展可以造成嚴(yán)重的視力障礙，針對(duì)糖尿病患者的視網(wǎng)膜廣泛篩查及早期確診是及時(shí)預(yù)防疾病進(jìn)展的重要手段之一。常見的DR診斷方法包括視網(wǎng)膜眼底照相、OCT和FFA。Perdomo等[4]將DL和OCT結(jié)合，建立了針對(duì)OCT圖像的OCT-Net網(wǎng)絡(luò)，用以區(qū)分DR、糖尿病性黃斑水腫(DME)及年齡相關(guān)性黃斑變性(AMD)三種視網(wǎng)膜病變，在SERI-CUHK和A2A公共數(shù)據(jù)集上的測(cè)試顯示，較傳統(tǒng)CNN而言，OCT-Net有更強(qiáng)的診斷能力，能夠更準(zhǔn)確地對(duì)三種視網(wǎng)膜病變進(jìn)行分類。Gulsha等[5]和Li等[6]分別利用DL創(chuàng)建了自動(dòng)檢測(cè)視網(wǎng)膜眼底照片中的DR算法，他們一致發(fā)現(xiàn)DL算法對(duì)DR診斷的高特異性、高敏感性，在使用視網(wǎng)膜眼底照片進(jìn)行早期DR篩查中具有重要價(jià)值。Shaban等[7]應(yīng)用CNN聯(lián)合OCT和眼底圖像對(duì)DR進(jìn)行篩查和分級(jí)，建立具有18個(gè)卷積層和3個(gè)全連接層的神經(jīng)網(wǎng)絡(luò)模型，以自動(dòng)區(qū)分無(wú)DR、中度DR(輕度和中度非增生型DR)、重度DR(重度非增生型DR和增生型DR)，此方法在DR的客觀診斷和分級(jí)方面相當(dāng)準(zhǔn)確，減少了醫(yī)療工作中對(duì)視網(wǎng)膜專家的需求量，增加了疾病的治療機(jī)會(huì)，實(shí)現(xiàn)了疾病的早期診斷和病情跟蹤，有助于優(yōu)化藥物治療以最大程度地減緩視力下降。FFA在發(fā)現(xiàn)無(wú)灌注區(qū)(NP區(qū))的病變、血管滲漏以及一些其他檢查方法無(wú)法發(fā)現(xiàn)的微動(dòng)脈瘤方面也具有不可替代的作用。

2.1.2 視網(wǎng)膜靜脈阻塞視網(wǎng)膜靜脈阻塞(RVO)是視網(wǎng)膜血管疾病的第二大常見原因，能引起視網(wǎng)膜出血和黃斑水腫，最終導(dǎo)致視力下降，因此及早做出準(zhǔn)確診斷是控制疾病進(jìn)展的首要任務(wù)[8]。Hsueh等[9]發(fā)現(xiàn)RVO導(dǎo)致的黃斑水腫的延誤治療會(huì)影響視網(wǎng)膜功能的恢復(fù)，RVO早期患者及時(shí)治療后其中央?yún)^(qū)視網(wǎng)膜厚度會(huì)明顯下降，最佳矯正視力顯著改善，Nagasato等[10]比較了基于VGG-16的DL模型、支持向量機(jī)(support vector machine，SVM)模型和7位眼科醫(yī)生對(duì)于RVO引起的NP區(qū)的檢測(cè)能力，DL模型的ROC-AUC、敏感度、特異度和消耗時(shí)間均明顯優(yōu)于SVM模型(均為P<0.01)，在ROC-AUC和特異性方面均顯著優(yōu)于眼科醫(yī)生(均為P<0.01),DL與OCTA相結(jié)合對(duì)于NP區(qū)的檢測(cè)具有較高的準(zhǔn)確度和效率。同時(shí)Nagasato等[11]將基于VGG-16訓(xùn)練的DL模型和SVM模型在使用超廣角眼底圖像檢測(cè)BRVO上進(jìn)行對(duì)比，超廣角眼底圖像檢測(cè)BRVO的DL模型比SVM模型具有更高的敏感性、特異性、陽(yáng)性預(yù)測(cè)值、陰性預(yù)測(cè)值和ROC-AUC，DL模型和超廣角眼底圖像的組合能夠以較高的準(zhǔn)確度區(qū)分健康眼和BRVO眼，可用于偏遠(yuǎn)地區(qū)BRVO患者的自動(dòng)診斷。

在視網(wǎng)膜血管疾病中，目前DL廣泛應(yīng)用于DR、RVO的診斷篩查中，在各個(gè)方面都體現(xiàn)了DL的高效性、準(zhǔn)確性，其診斷能力可以與眼科專科醫(yī)生相媲美，同時(shí)大大減少了醫(yī)生工作時(shí)間。但一些模型還需要結(jié)合其他算法與實(shí)際臨床工作做出進(jìn)一步優(yōu)化，不斷完善后的DL模型可廣泛應(yīng)用于臨床，促進(jìn)眼科疾病的早診斷、早發(fā)現(xiàn)、早治療，也可以進(jìn)入一些醫(yī)療資源匱乏的偏遠(yuǎn)地區(qū)，彌補(bǔ)?？漆t(yī)師數(shù)量和醫(yī)師經(jīng)驗(yàn)的不足。

2.2 黃斑病變

2.2.1 AMDAMD包括干性年齡相關(guān)性黃斑變性(d-AMD)和濕性年齡相關(guān)性黃斑變性(w-AMD)，d-AMD以后極部視網(wǎng)膜外層、視網(wǎng)膜色素上皮(RPE)層、玻璃膜及脈絡(luò)膜毛細(xì)血管緩慢進(jìn)行性變性萎縮為特征，進(jìn)展緩慢，目前無(wú)有效干預(yù)方法。而w-AMD是由于玻璃膜的變性損害誘發(fā)脈絡(luò)膜新生血管形成，新生血管長(zhǎng)入 RPE或神經(jīng)視網(wǎng)膜下，引發(fā)滲出性或出血性視網(wǎng)膜脫離[12]，其特點(diǎn)是視網(wǎng)膜毛細(xì)血管內(nèi)液體滲漏，并在視網(wǎng)膜內(nèi)積聚，目前有效且最常用的治療方法為玻璃體內(nèi)注射抗血管內(nèi)皮生長(zhǎng)因子。早期發(fā)現(xiàn)、定期監(jiān)測(cè)、定期治療是控制疾病進(jìn)展的關(guān)鍵因素，針對(duì)疾病的早期診斷，亟需一種迅速有效的識(shí)別方法來(lái)進(jìn)行篩查和確診。2017年Fang等[13]提出了CNN結(jié)合圖形搜索方法應(yīng)用于d-AMD視網(wǎng)膜各層的分割上，結(jié)果顯示CNN結(jié)合圖形搜索的方法能夠有效分割視網(wǎng)膜各層結(jié)構(gòu)。2020年Vaghefi等[14]利用OCT、OCTA和彩色眼底照片的圖像分析，使用多種模式輸入的DL方法來(lái)診斷中度d-AMD，發(fā)現(xiàn)OCT單獨(dú)輸入訓(xùn)練的CNN的診斷準(zhǔn)確率為94%，OCTA單獨(dú)輸入訓(xùn)練的CNN的診斷準(zhǔn)確率為91%。當(dāng)多種模式結(jié)合使用時(shí)，診斷準(zhǔn)確率提高到96%。多模式輸入為網(wǎng)絡(luò)提供了更多特征，能強(qiáng)化網(wǎng)絡(luò)學(xué)習(xí)，可以獲得更高的診斷準(zhǔn)確率。同年Alsaih等[15]利用圖像分割的四種DL模型(FCNN、U-Net、SegNet和Deeplabv3+)對(duì)視網(wǎng)膜內(nèi)液(IRF)、視網(wǎng)膜下液(SRF)和視網(wǎng)膜色素上皮脫離(PED)三種w-AMD視網(wǎng)膜液體進(jìn)行分割，結(jié)果顯示，DL模型能以高Dice系數(shù)分割SRF、IRF和PED三類視網(wǎng)膜積液，進(jìn)行參數(shù)微調(diào)后模型的表現(xiàn)較從頭開始訓(xùn)練的網(wǎng)絡(luò)更精準(zhǔn)、更快速。

2.2.2 中心性漿液性脈絡(luò)膜視網(wǎng)膜病變中心性漿液性脈絡(luò)膜視網(wǎng)膜病變(CSC)是以RPE功能障礙、脈絡(luò)膜高通透性和增厚引起的漿液性SRF積聚，從而導(dǎo)致的以視網(wǎng)膜神經(jīng)上皮脫離為特征的脈絡(luò)膜視網(wǎng)膜病變[16]，雖然急性CSC通常具有自限性，很少遺留視覺后遺癥，但復(fù)發(fā)性的CSC和慢性CSC患者有可能會(huì)發(fā)展成RPE萎縮，導(dǎo)致永久性的視力損傷[17]。

Narendra等[18]使用U-Net CNN對(duì)CSC的OCT進(jìn)行自動(dòng)檢測(cè)和SRF分割。預(yù)處理后的數(shù)據(jù)輸入CNN成功訓(xùn)練后，使用新數(shù)據(jù)集對(duì)模型進(jìn)行驗(yàn)證，顯示其Dice系數(shù)為91.0%，準(zhǔn)確率為93.0%，召回率為89.0%，取得較好的效果。將DL與傳統(tǒng)的特征提取技術(shù)相結(jié)合，可以獲得更好的分割效果，這可能會(huì)成為今后研究的一個(gè)主要方向。

2.2.3 黃斑毛細(xì)血管擴(kuò)張癥2型黃斑毛細(xì)血管擴(kuò)張癥2型(macular telangiectasia type 2，Mactel 2)是一種與穆勒細(xì)胞功能障礙和黃斑毛細(xì)血管網(wǎng)改變相關(guān)的神經(jīng)退行性疾病[19]，雙側(cè)發(fā)病、進(jìn)展緩慢，臨床上較少見。該病首次于1968年由Gass 作為一個(gè)獨(dú)立的臨床疾病進(jìn)行描述，可以通過眼底鏡和OCT描繪出Mactel 2的形態(tài)學(xué)變化[20]。FFA以及OCTA作為輔助檢查是能顯示脈絡(luò)膜和視網(wǎng)膜血管和血流圖像的新方法，有助于監(jiān)測(cè)黃斑變性患者病變的進(jìn)行性改變及預(yù)后[21]。Montesano等[22]提出利用SD-OCT得出的視網(wǎng)膜斷層結(jié)構(gòu)通過DL方法構(gòu)建微視野中測(cè)量的視網(wǎng)膜敏感度，印證了視網(wǎng)膜結(jié)構(gòu)和功能的相關(guān)性[22]。2019年Kihara等[23]創(chuàng)建一個(gè)基于Mactel 2視網(wǎng)膜結(jié)構(gòu)的機(jī)器學(xué)習(xí)模型提供高分辨率圖像預(yù)估視網(wǎng)膜敏感性，基于VGGNet-16創(chuàng)建的高分辨率En-face圖像與微視野檢查相比具有極高的分辨率，并可以分別精確地勾勒出功能健康和受損的視網(wǎng)膜區(qū)域，明確其有助于監(jiān)測(cè)視網(wǎng)膜結(jié)構(gòu)性和功能性疾病的進(jìn)展，并有可能成為臨床試驗(yàn)中的客觀性衡量標(biāo)準(zhǔn)。

目前研究發(fā)現(xiàn)Mactel 2的生物標(biāo)志物是光感受器橢圓體帶(EZ)結(jié)構(gòu)缺失，Loo等[24]用全自動(dòng)、基于DL的分割算法測(cè)量了OCT圖像的EZ缺損區(qū)，計(jì)算了24個(gè)月內(nèi)EZ缺損面積的變化情況，使用EZ缺陷區(qū)的長(zhǎng)度變化來(lái)檢測(cè)睫狀神經(jīng)營(yíng)養(yǎng)因子(CNTF)植入物治療對(duì)疾病進(jìn)展的影響，結(jié)果發(fā)現(xiàn)全自動(dòng)分割算法測(cè)量與專家進(jìn)行的半自動(dòng)測(cè)量并無(wú)顯著區(qū)別，兩者在EZ缺陷區(qū)域分割上同樣精確，并能可靠地重現(xiàn)出臨床試驗(yàn)的主要測(cè)量結(jié)果。不僅得出CNTF植入物確實(shí)減緩了Mactel 2患者EZ缺損進(jìn)展的結(jié)論，也同時(shí)驗(yàn)證了全自動(dòng)分割算法在臨床試驗(yàn)上的高效性能。

2.2.4 黃斑視網(wǎng)膜前膜黃斑視網(wǎng)膜前膜(ERM)為視網(wǎng)膜內(nèi)界膜上方的一種纖維膠質(zhì)組織，其出現(xiàn)可導(dǎo)致視力模糊和視物變形，并經(jīng)常導(dǎo)致黃斑水腫，隨著年齡的增長(zhǎng)而增加，女性患病率高于男性。ERM可以是特發(fā)性的，也可以繼發(fā)于視網(wǎng)膜血管疾病、眼部炎癥性疾病和視網(wǎng)膜撕裂或脫離。Lo等[25]利用DL網(wǎng)絡(luò)模型識(shí)別OCT中的ERM，采用了3618張視網(wǎng)膜中心凹橫斷面圖像，建立了基于ResNet-101框架的DL算法進(jìn)行訓(xùn)練，并將四位非眼底病專科眼科醫(yī)生在測(cè)試數(shù)據(jù)集上的診斷結(jié)果與DL模型產(chǎn)生的結(jié)果進(jìn)行比較，DL模型在測(cè)試集上的表現(xiàn)較好，DL模型能夠準(zhǔn)確識(shí)別出OCT圖像中的ERM，可提高效率和準(zhǔn)確性。

2.3 視網(wǎng)膜脫離視網(wǎng)膜脫離(RD)是指神經(jīng)上皮與色素上皮相分離，根據(jù)發(fā)生的原因不同分為孔源性RD和非孔源性RD，孔源性RD易導(dǎo)致失明，其早期診斷和及時(shí)的視網(wǎng)膜復(fù)位可以提高視網(wǎng)膜復(fù)位成功率及視覺質(zhì)量。

RD初發(fā)時(shí)通常無(wú)明顯癥狀，初期表現(xiàn)常為閃光感和飛蚊癥增加，常常被人們忽略，就診時(shí)往往視力已經(jīng)急劇下降，可能錯(cuò)過最佳治療時(shí)機(jī)，發(fā)生不可逆的視力喪失。因此，一種高效準(zhǔn)確的RD篩查方法極其重要。Ohsugi等[26]將DL應(yīng)用于超廣角眼底圖像的RD檢測(cè)中，訓(xùn)練出的DL模型敏感性為97.6%，特異性為96.5%，ROC-AUC為0.988，超廣角眼底圖像結(jié)合DL算法可以高效準(zhǔn)確地識(shí)別RD，從而便于在普通人群中開展RD篩查，并可以提高那些沒有眼科診所的偏遠(yuǎn)地區(qū)醫(yī)療保健情況。Li等[27]開發(fā)了基于超廣角眼底圖像的級(jí)聯(lián)式DL系統(tǒng)，用于自動(dòng)檢測(cè)和識(shí)別RD。一部分DL模型用于識(shí)別RD，表現(xiàn)出穩(wěn)健的性能(ROC-AUC為0.989，敏感性為96.1%，特異性為99.6%)，另外一部分用于區(qū)分非黃斑性RD和黃斑性RD的DL模型，同樣表現(xiàn)理想(ROC-AUC為0.975，敏感性為93.8%，特異性為90.9%)，表明該系統(tǒng)可與經(jīng)驗(yàn)豐富的眼科醫(yī)生相媲美。此外，該系統(tǒng)可以指導(dǎo)患者在手術(shù)前采取適當(dāng)?shù)捏w位姿勢(shì)，以減緩RD的進(jìn)展，降低RD修復(fù)的緊迫性。

2.4 遺傳性視網(wǎng)膜變性遺傳性視網(wǎng)膜變性 (IRD)是由視網(wǎng)膜功能相關(guān)的重要基因突變引起的疾病，可導(dǎo)致進(jìn)行性視網(wǎng)膜變性[28]，漸進(jìn)性視力損害直至失明。IRD的常規(guī)隨訪和基因治療期間監(jiān)測(cè)光感受器的完整性是非常重要的。Camino等[28]建立了由CNN對(duì)OCT-B掃描進(jìn)行滑動(dòng)窗口二分類的分割方法，在俄勒岡衛(wèi)生科學(xué)大學(xué)凱西眼科研究所眼科遺傳學(xué)門診選擇42例IRD患者，其中20例為全脈絡(luò)膜血管萎縮，22例為視網(wǎng)膜色素變性，使用SD-OCT進(jìn)行黃斑掃描，最終能將OCT圖像中準(zhǔn)確分割出兩個(gè)不同IRD中的感光細(xì)胞區(qū)域，準(zhǔn)確率高達(dá)90%。

近年來(lái)，大量隊(duì)列研究為確定IRD的臨床表現(xiàn)提供了大量證據(jù)，如根據(jù)眼底鏡直視眼底改變和眼底圖像的形態(tài)學(xué)變化，確定了特定基因引起的黃斑營(yíng)養(yǎng)不良的形態(tài)學(xué)特征[29]。但在沒有IRD?？漆t(yī)生的普通眼科診所,要對(duì)IRD作出診斷一直是一項(xiàng)挑戰(zhàn)。由于IRD資料有限，臨床上無(wú)法獲得其詳細(xì)的表型評(píng)估。Fujinami-Yokokawa等[30]利用數(shù)據(jù)驅(qū)動(dòng)的DL方法結(jié)合SD-OCT圖像來(lái)預(yù)測(cè)是否發(fā)生了ABCA4和RP1L1基因異常造成的黃斑營(yíng)養(yǎng)不良性IRD，并同時(shí)將ABCA4和RP1L1基因異常與EYS基因異常引起的視網(wǎng)膜色素變性和正常人進(jìn)行比較，模型平均訓(xùn)練和測(cè)試準(zhǔn)確度分別為98.5%、90.9%，ABAC4、RP1L1、EYS和Normal的測(cè)試集平均準(zhǔn)確度分別為100.0%、78.0%、89.8%和93.4%，其中RP1L1和EYS基因可能發(fā)生過擬合。預(yù)計(jì)未來(lái)DL將會(huì)被集成到普通篩查中，以對(duì)基因診斷做出支持。

3 展望

基于DL結(jié)合眼底影像學(xué)圖像在將來(lái)可能會(huì)顯著改變視網(wǎng)膜疾病的診斷方式和管理方式，可能會(huì)在眼底疾病的診斷和預(yù)測(cè)患者的個(gè)體化預(yù)后方面發(fā)揮重要作用。對(duì)于那些未接受過視網(wǎng)膜圖像識(shí)別培訓(xùn)的初級(jí)眼科醫(yī)生來(lái)說幫助很大，它還將幫助經(jīng)驗(yàn)豐富的眼科專家更快、更準(zhǔn)確地作出決定。用于DR、AMD等眼底病治療的精確風(fēng)險(xiǎn)分層將成為可能。在不久的將來(lái)，DL技術(shù)可能會(huì)進(jìn)一步應(yīng)用在其他眼部疾病的診斷中，包括眼前節(jié)的疾病等，不斷擴(kuò)大疾病種類，為了加快這一進(jìn)程，需要更仔細(xì)、更全面設(shè)計(jì)和規(guī)劃。