于 薏，周奕文，楊燕寧

0引言

隨著計算機科學(xué)與醫(yī)療水平的進步，人工智能(artificial intelligence，AI)在醫(yī)療方面的應(yīng)用展現(xiàn)出高速發(fā)展的態(tài)勢。AI與醫(yī)療的交叉融合，一方面可以緩解醫(yī)生的工作壓力，提高診療效率；另一方面可以充分利用醫(yī)療資源，更好地服務(wù)于患者。其廣闊的發(fā)展應(yīng)用前景，吸引了許多研究者的不斷深入探索。目前，AI已在識別乳腺腫瘤[1]、消化道早癌篩查[2]、皮膚癌分級[3]及心血管疾病監(jiān)測[4]等多個醫(yī)學(xué)領(lǐng)域得到了應(yīng)用并展現(xiàn)出了無可比擬的優(yōu)越性，在保證診療準確度的同時，其效率是普通醫(yī)生數(shù)十倍甚至更多。AI在醫(yī)學(xué)領(lǐng)域的發(fā)展，為精準醫(yī)療及智慧醫(yī)療的推動做出了巨大貢獻。

在眼科學(xué)，AI也取得了諸多成果。光學(xué)相干斷層掃描(OCT)和眼底照相等技術(shù)的廣泛應(yīng)用為模型的開發(fā)提供了豐富的圖像數(shù)據(jù)，也因此，多數(shù)眼科相關(guān)的AI研究最初都主要集中在眼后段疾病[5]，如糖尿病視網(wǎng)膜病變(DR)、年齡相關(guān)性黃斑變性(ARMD)及早產(chǎn)兒視網(wǎng)膜病變(ROP)等[6]。而近年來，隨著計算機與眼科學(xué)之間的學(xué)科交叉融合更加深入，AI在眼表疾病中的應(yīng)用也取得了許多突破和進展。因此，本文旨在梳理匯總國內(nèi)外相關(guān)文獻，對目前AI在眼表疾病中的應(yīng)用研究及有關(guān)成果作一綜述，并對該方向未來的前景進行展望。

1 AI概述

AI是一個計算機術(shù)語，它意味著以最小的人工干預(yù)來使計算機模擬人類行為[7]。自1956年人工智能的概念在Dartmouth會議上被正式提出以來，隨著計算機學(xué)科的發(fā)展，AI已經(jīng)取得了前所未有的進步，成為了計算機學(xué)科的一大重要分支，是一門涉及統(tǒng)計學(xué)、概率論、語言學(xué)及計算復(fù)雜性理論等多學(xué)科的交叉前沿科學(xué)[8]。

目前，AI最常見的兩個子領(lǐng)域是機器學(xué)習(ML)和深度學(xué)習(DL)。機器學(xué)習是AI的技術(shù)實現(xiàn)核心，是使計算機具有智能的根本途徑。它通過創(chuàng)建人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)模擬神經(jīng)系統(tǒng)的神經(jīng)結(jié)構(gòu)。機器學(xué)習需要大量的人工標記和專業(yè)領(lǐng)域知識設(shè)計有效的特征提取器，從而將原始輸入數(shù)據(jù)轉(zhuǎn)換為有意義和通用的輸出信息，用大量的數(shù)據(jù)訓(xùn)練，通過各種算法提取特征，最終從數(shù)據(jù)中學(xué)習如何完成任務(wù)[9]。而深度學(xué)習是機器學(xué)習的技術(shù)子集，是使用連接系統(tǒng)或神經(jīng)網(wǎng)絡(luò)進行機器學(xué)習的一種特殊方式。它包含更多層次，作為分類器的同時也可作為特征提取器。深度學(xué)習通過學(xué)習提取分類問題的特征執(zhí)行自動化的多層數(shù)據(jù)提取，而不需要手動標記特征[9]。代表性的模型包括卷積神經(jīng)網(wǎng)絡(luò)(CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)等。

2 AI在眼表疾病中的應(yīng)用

2.1圓錐角膜圓錐角膜是一種常見于青少年的自發(fā)性、非炎癥性的角膜擴張性疾病，以角膜擴張、變薄、錐形突出及高度不規(guī)則散光為特征，全球發(fā)病率為0.05%～0.23%。圓錐角膜的診療常常需要依賴于醫(yī)師的個人經(jīng)驗，尤其是亞臨床圓錐角膜，由于癥狀體征不明顯，給疾病的診療帶來了挑戰(zhàn)[10]。根據(jù)病情發(fā)展的不同階段為患者提供相應(yīng)的最佳治療方案，對提高圓錐角膜患者的長期視覺質(zhì)量及生活質(zhì)量具有重要意義[11]。

2019年，dos Santos等[12]收集72例健康人和70例圓錐角膜患者共計20160張角膜OCT圖像，用以訓(xùn)練及建立深度卷積神經(jīng)網(wǎng)絡(luò)模型(DCNN)，對角膜上皮層、Bowman層、基質(zhì)層厚度特征進行分割區(qū)分正常及圓錐角膜，準確率達99.5%。同年，Issarti等[13]提出基于前饋神經(jīng)網(wǎng)絡(luò)的計算機輔助系統(tǒng)，回顧性納入851例受試者的角膜地形圖并根據(jù)疾病分期分組，使用十折交叉驗證，最終診斷精度分別為可疑圓錐角膜、輕度圓錐角膜、中度圓錐角膜，準確率均在95%以上。與經(jīng)典機器學(xué)習相比，CNN在不需要輸入訓(xùn)練指標的情況下表現(xiàn)出較強的圖像識別能力，適合用于彩色編碼圖像的模式識別。Kamiya等[14]首次應(yīng)用CNN模型ResNet-18對前段光學(xué)相干斷層掃描(AS-OCT)測量所得的6種彩色編碼地形圖圖像(前表面、前表面曲率、后表面、后表面曲率、總屈光度和角膜厚度圖)進行深度學(xué)習，不僅能篩查圓錐角膜(準確率0.991)，且能協(xié)助疾病分級(準確率達0.874)。

近年也有研究納入多種成像模式共同輔助提高圓錐角膜的診斷，Shi等[15]提出一種結(jié)合Pentacam相機和超高分辨率光學(xué)相干斷層成像儀(UHR-OCT)成像參數(shù)的基于機器學(xué)習的自動分類系統(tǒng)，用以區(qū)分亞臨床圓錐角膜和正常對照人群。研究證實，多種成像組合有助于充分了解亞臨床圓錐角膜的細微結(jié)構(gòu)變化，提高早期診斷效率。

2.2瞼板腺功能障礙瞼板腺功能障礙(meibomian gland dysfunction，MGD)是蒸發(fā)過強型干眼的最常見原因，通常表現(xiàn)為瞼板腺終末導(dǎo)管阻塞及(或)瞼板腺分泌物質(zhì)或量發(fā)生改變。目前已有多種瞼板腺的分級方法[16]，但多依賴于醫(yī)生主觀判斷或手動標記，結(jié)果穩(wěn)定性較差。因此，建立一種可靠的瞼板腺自動化評估系統(tǒng)對干眼診療的規(guī)范化、精細化是非常重要的。

Maruoka等[17]收集了137例阻塞性MGD患者及84例瞼板腺正常患者的活體共聚焦顯微鏡(IVCM)圖像，構(gòu)建并訓(xùn)練了9種不同網(wǎng)絡(luò)結(jié)構(gòu)的深度學(xué)習模型來識別區(qū)分正常及阻塞瞼板腺圖像，通過計算受試者工作特征曲線下面積(AUC)、靈敏度和特異度比較深度學(xué)習的能力。該模型的局限性在于僅能區(qū)分正?；蜃枞牟€板腺，對于瞼板腺的其他結(jié)構(gòu)異常無法識別。Setu等[18]利用728張瞼板腺紅外成像照片構(gòu)建深度學(xué)習數(shù)據(jù)集，建立了一種基于深度學(xué)習的瞼板腺紅外成像圖片分割方法。該模型可實現(xiàn)對瞼板腺的自動分割及相關(guān)形態(tài)學(xué)測量參數(shù)的評估，模型的AUC值為0.96。但由于實際情況中瞼板腺腺體存在分離或多個腺體連接的情況，以及圖片反光、對焦不清等問題，模型無法對全部圖像進行準確識別。Wang等[19]收集了1443張瞼板腺紅外圖像并進行注釋，用于訓(xùn)練深度學(xué)習模型。該模型可以分割單個瞼板腺腺體，靈敏度和精確度分別為84.4%和71.7%。該模型特點在于可以進一步分析其形態(tài)學(xué)特征，包括腺體的局部對比度、長度、寬度和彎曲度。周奕文等[20]利用2304張瞼板腺圖像開發(fā)了一種計算瞼板腺缺失面積的圖像深度處理分析方法，選用遷移學(xué)習與Mask R CNN作為主體建立模型，該模型識別瞼結(jié)膜的平均精確度(mAP)>0.976，識別瞼板腺的mAP>0.922。但該模型僅能區(qū)分瞼板腺的有無，對于瞼板腺結(jié)構(gòu)異常等情況無法進行判斷。Yeh等[21]開發(fā)了一種基于非參數(shù)實例判別(NPID)的無監(jiān)督特征學(xué)習方法自動測量瞼板腺萎縮情況，利用CNN為主干模型，通過訓(xùn)練將瞼板腺圖像編碼成128個維度的特征向量。該模型可自動分析瞼板腺圖像中瞼板腺萎縮的嚴重程度，對瞼板腺分級的平均準確率達80.9%。該方法特點在于訓(xùn)練時無需事先進行瞼板腺圖像標注，大幅節(jié)省了人力資源。

2.3翼狀胬肉翼狀胬肉是一種臨床常見的由結(jié)膜纖維血管組織變性增殖侵犯角膜區(qū)域引起的眼病，通常鼻側(cè)多發(fā)。翼狀胬肉侵入角膜會導(dǎo)致散光和干眼，或造成結(jié)膜黏連而限制眼球運動，覆蓋瞳孔區(qū)時甚至會導(dǎo)致失明[22]。目前，對于翼狀胬肉的手術(shù)指征尚無明確的專家共識，疾病的診療大多取決于醫(yī)生的主觀評估。因此，亟待建立基于計算機的客觀定量的翼狀胬肉管理評估體系[23]。

Wan Zaki等[24]通過收集2692張正常眼前節(jié)圖像及325張翼狀胬肉圖像提出了一種基于眼前節(jié)照相系統(tǒng)的翼狀胬肉自動檢測方法，通過信號增強、分割、特征提取和識別四個模塊，并采用支持向量機(SVM)和ANN評估系統(tǒng)的性能。結(jié)果顯示模型mAP可達0.9127，靈敏度、特異度和AUC分別為88.7%、88.3%和95.6%，但對于曝光過強、光線不足、拍攝模糊的圖像仍無法準確識別。Xu等[23]利用1220張眼前節(jié)圖像構(gòu)建了一個翼狀胬肉自動診斷系統(tǒng)，通過將系統(tǒng)識別結(jié)果與眼科專家識別結(jié)果進行對比測試，結(jié)果顯示該系統(tǒng)識別正常組、翼狀胬肉觀察組、翼狀胬肉手術(shù)組圖像的準確率分別為99.74%、92.49%、89.47%。該模型特點在于可根據(jù)胬肉的嚴重程度給予相應(yīng)治療意見，但由于訓(xùn)練過程中并未對圖像進行預(yù)處理，因此分級的敏感度還有待進一步提升。Zhang等[25]應(yīng)用圖像和注釋過程中產(chǎn)生的信息構(gòu)建了一個基于深度學(xué)習的可解釋和可擴展的眼科AI平臺。該系統(tǒng)可根據(jù)患者的眼前節(jié)照相自動診斷多種眼病，并可根據(jù)診斷針對性地給出治療建議，診斷翼狀胬肉的準確率高達95%以上。該研究特點在于構(gòu)建了可解釋、可擴展的網(wǎng)絡(luò)模型，幫助使用者更好地理解模型工作原理。但該研究并未納入多病種圖像，因此后期還需采用多標簽分類，進一步使該系統(tǒng)更接近真實的臨床情況。

2.4角膜炎角膜炎引起的角膜盲是全球失明的第五大原因。角膜炎病情發(fā)展迅速，尤其是感染性角膜炎，若不及時治療，隨著病情發(fā)展惡化可能導(dǎo)致永久性視力喪失，甚至角膜穿孔。早期及時的診斷和干預(yù)可以阻止疾病進展，達到更好的預(yù)后效果[26]。角膜炎的診斷通常需要有經(jīng)驗的眼科醫(yī)生通過裂隙燈顯微鏡或共聚焦顯微鏡等設(shè)備進行檢查。然而，發(fā)展中國家眼科醫(yī)生缺乏以及醫(yī)療資源分配不平衡等問題，使得角膜炎的早期診療變得十分困難[27]。

Li等[28]利用6567張裂隙燈圖像開發(fā)了一個深度學(xué)習系統(tǒng)，該系統(tǒng)將裂隙燈圖像分為角膜炎、其他角膜異常和正常角膜并給予相應(yīng)醫(yī)學(xué)指導(dǎo)建議。模型AUC>0.96，靈敏度和特異度與角膜病專家接近。該研究結(jié)合多中心進行了外部驗證，并可以對智能手機拍攝的眼部圖像進行識別(準確率>94%)。但由于實際臨床中許多微生物相關(guān)角膜炎很難僅僅通過裂隙燈圖像診斷，且該系統(tǒng)缺乏一個篩除低質(zhì)量圖像的過濾器，因此仍存在一定誤差。Loo等[29]收集了133眼的裂隙燈圖像，開發(fā)并測試了一種基于深度學(xué)習的全自動算法，用于識別白光及藍光下裂隙燈圖像上的眼部結(jié)構(gòu)和多項微生物性角膜炎相關(guān)的生物標記物。使用7折交叉驗證測試，結(jié)果顯示與高年制醫(yī)師相比，該算法的戴斯相似性系數(shù)(0.62～0.95)在所有測試圖像上均表現(xiàn)良好。但某些生物指標缺乏明顯的邊界，且識別準確性受成像技術(shù)和圖像質(zhì)量的影響較大。呂健等[30]利用ResNet101 CNN對2105張角膜炎患者的IVCM圖像進行深度學(xué)習，并使用5折交叉驗證檢驗?zāi)Ｐ偷男?，該模型識別真菌菌絲、炎癥細胞、活化樹突細胞的準確率均>0.97。但該模型只能判斷炎癥細胞的有無而無法提供驗證細胞數(shù)量及嚴重程度等信息，因此僅能作為輔助手段。Zhang等[25]收集688張含真菌菌絲和1400張無真菌菌絲的角膜IVCM圖像，采用基于CNN的圖像識別深度殘差學(xué)習(ResNet)構(gòu)建了一種自動識別真菌性角膜炎的AI系統(tǒng)，該系統(tǒng)的AUC為0.9875，檢測真菌菌絲的準確率、靈敏度、特異度分別為0.9626、0.9186、0.9834。該系統(tǒng)的局限性在于不能識別真菌的亞型及嚴重程度，且該系統(tǒng)所識別特征的可視化仍待進一步實現(xiàn)。

2.5角膜移植術(shù)角膜移植術(shù)是利用透明的角膜植片置換混濁或有病變部分的角膜，是角膜盲患者復(fù)明的最有效的方法。近年來，由于人口老齡化的影響，對角膜移植供體的需求逐漸增多[31]。角膜移植手術(shù)的并發(fā)癥包括排斥反應(yīng)、移植物脫落、白內(nèi)障、虹膜萎縮、繼發(fā)性青光眼等，是眼表疾病中極具挑戰(zhàn)性的手術(shù)方式[32]。Pan等[33]提出了一個基于增強現(xiàn)實的深板層角膜移植(DALK)手術(shù)導(dǎo)航系統(tǒng)，通過一種新的圖像修復(fù)網(wǎng)絡(luò)恢復(fù)由遮擋引起的缺失運動。該導(dǎo)航系統(tǒng)遮擋幀重建的跟蹤精度平均達到99.2%，峰值信噪比(PSNR)達到25.52，可實現(xiàn)實時手術(shù)場景中復(fù)雜干擾下角膜輪廓的準確檢測和跟蹤。Treder等[34]利用DCNN對1172張角膜后彈力層內(nèi)皮移植(DMEK)術(shù)后患者的AS-OCT圖像(其中563張出現(xiàn)植片脫離)進行學(xué)習，開發(fā)了可自動識別有無植片脫落的分類器。該分類器的靈敏度為98%，特異度為94%，準確率為96%。但該模型無法提供移植物脫落的大小范圍和位置信息，因此臨床應(yīng)用價值還需進一步探索。Heslinga等[35]利用1280張人工標注后的DMEK術(shù)后患者AS-OCT圖像，開發(fā)了一個深度學(xué)習框架對植片脫離部分進行自動定位和量化，通過計算移植物脫離的長度結(jié)合掃描軸向，以2D地圖的形式展現(xiàn)植片脫離情況。該模型的戴斯系數(shù)與專家相近，分別為0.896和0.880。模型通過定量檢測植片脫離情況，能更好地為臨床決策提供依據(jù)。

2.6其他除了前述的應(yīng)用研究以外，AI在角膜水腫、角膜內(nèi)皮營養(yǎng)不良等其他眼表疾病的輔助診療方面也取得了諸多成果。Zéboulon等[36]選取806張包含正常及水腫角膜的AS-OCT圖像，利用CNN開發(fā)了一個基于AS-OCT圖像的角膜水腫自動識別模型。該模型AUC為0.994，區(qū)分正常角膜和水腫角膜的準確率為98.7%，靈敏度為96.4%，特異度為100%，結(jié)果以熱圖形式展示。但該模型無法定量分析水腫的嚴重程度，且模型訓(xùn)練過程輸出結(jié)果的原理仍不透明。袁進等將UHR-OCT與基于裂隙燈生物顯微鏡的微血管成像系統(tǒng)相結(jié)合，開發(fā)了一種非接觸式的多模態(tài)眼科光學(xué)成像平臺，結(jié)合自主開發(fā)的圖像分析軟件，可對血管參數(shù)進行定量分析[37]。但后期還需要進一步升級實現(xiàn)實時三維成像，并且擴大臨床研究的范圍。Veli等[38]使用3D全息重建結(jié)合基于SVM的機器學(xué)習算法，開發(fā)了一種無侵入性自動檢測和計數(shù)角膜接觸鏡上金黃色葡萄球菌的智能平臺。該方法特點在于成本低廉且便攜，但該研究并未納入受試者進行臨床試驗，因此其實用價值還需進一步觀察。Eleiwa等[39]利用來自81例受試者的18720張AS-OCT圖像開發(fā)和驗證了一種基于VGG19和遷移學(xué)習的深度學(xué)習模型來診斷Fuchs角膜內(nèi)皮營養(yǎng)不良(FECD)。模型檢測FECD的AUC為0.998±0.001，特異度為98%，靈敏度為99%。但該算法僅能用于相同類型的AS-OCT圖像，在投入臨床使用前還需對不同類型的OCT機器的圖像進行外部驗證。Wei等[40]提出了一個基于IVCM圖像的角膜神經(jīng)纖維(CNF)分割和評估的深度學(xué)習模型。利用691張人工標注過的角膜IVCM圖像對模型進行訓(xùn)練驗證，模型的AUC為0.96，mAP為94%，靈敏度為96%，特異度為75%。該模型局限性在于并未進行外部驗證，且無法解釋IVCM圖像中的所有參數(shù)，如CNF的寬度和彎曲度。

3討論

近年來，隨著計算機學(xué)科的發(fā)展及醫(yī)療信息化的普及，AI在醫(yī)學(xué)領(lǐng)域成為研究熱點，越來越多的AI輔助醫(yī)療應(yīng)用取得了良好的成果，特別是涉及大數(shù)據(jù)和基于圖像的分析領(lǐng)域。眼科學(xué)作為重要的臨床醫(yī)學(xué)分支，具有海量的圖像數(shù)據(jù)和影像學(xué)資料，這一特點使眼科學(xué)成為了AI的重要應(yīng)用拓展領(lǐng)域，AI在眼科學(xué)的潛在價值也逐漸擴大。在世界許多地區(qū)，由于人口老齡化和現(xiàn)有醫(yī)療及保健資源的不足，許多眼科患者無法得到及時診療而導(dǎo)致視力受損[41]。因此，探索AI在眼科的創(chuàng)新模式，推動AI在眼科的應(yīng)用發(fā)展，對我國醫(yī)療事業(yè)是非常重要的。

目前，AI已在眼科的多種疾病中展現(xiàn)出多方面的優(yōu)勢，但要進入成熟的大規(guī)模應(yīng)用仍存在一些挑戰(zhàn)：(1)黑箱(black box)問題一直是AI應(yīng)用于醫(yī)療領(lǐng)域的一大挑戰(zhàn)，即AI系統(tǒng)無法展示其工作流程，或是表現(xiàn)為普通用戶難以理解的高度復(fù)雜神經(jīng)網(wǎng)絡(luò)[42]。由于醫(yī)生肩負著最終決策責任，因此AI系統(tǒng)的不透明會導(dǎo)致醫(yī)生無法完全信任此類系統(tǒng)。為了解決這一問題，需要推進可解釋的AI系統(tǒng)。這些系統(tǒng)經(jīng)過編程后，可以用一種能被普通用戶理解的方式描述其目的和決策過程[43]。目前已有部分研究試圖通過遮擋測試或可視化熱圖等方式[25]提供結(jié)果的臨床可解釋性，但此類研究尚都處于初級階段。(2)數(shù)據(jù)集標準化問題。模型的檢測結(jié)果依賴于訓(xùn)練數(shù)據(jù)集的數(shù)量和質(zhì)量，因此訓(xùn)練數(shù)據(jù)集的優(yōu)劣決定了模型性能。由于人工閱片標記存在一定主觀性，部分研究采取了異議仲裁機制[20]以降低因人工閱片主觀性帶來的誤差。但除此之外，由設(shè)備及操作帶來的圖像質(zhì)量差異也會影響結(jié)果準確性，因此必須建立標準的數(shù)據(jù)質(zhì)控流程[44]。雖然前述的許多算法取得了較為理想的輔助診療效果，但多是單中心小樣本數(shù)據(jù)且較少在實際臨床中進行過驗證，各個數(shù)據(jù)集標注質(zhì)量參差不齊，優(yōu)劣不一，限制了其廣泛應(yīng)用。雖有部分研究進行了模型外部驗證的效果[28]，但距離使用的普及仍有一段距離。(3)由于眼科病種類繁多，許多少見病、罕見病的圖像資料數(shù)量不足以用來訓(xùn)練監(jiān)督學(xué)習算法的網(wǎng)絡(luò)模型，雖然有研究提出用遷移學(xué)習、無監(jiān)督學(xué)習等方法降低數(shù)據(jù)量的要求，但會導(dǎo)致模型診斷性能降低[45]。所以目前的算法多集中在單模塊的常見眼病，不適用于復(fù)雜的實際臨床場景[46]。創(chuàng)建高質(zhì)量的標準化數(shù)據(jù)庫平臺，提升算法性能，是AI發(fā)展進步必不可少的重要舉措[47]。(4)關(guān)于AI在倫理方面的問題。由于目前尚缺乏AI在醫(yī)療方面的相關(guān)倫理和條例，醫(yī)生承擔著最終決策的責任，因此AI的黑箱問題會給醫(yī)生帶來壓力。并且，由于AI發(fā)展離不開大量用于訓(xùn)練的數(shù)據(jù)集，如何在推動AI發(fā)展的同時做好患者臨床數(shù)據(jù)和個人信息的保密，圍繞這些問題可能需要進一步制定相關(guān)倫理規(guī)范[48]。

雖然我國眼科AI的發(fā)展面臨許多挑戰(zhàn)，但更應(yīng)該看到的是科技高速發(fā)展的浪潮帶來了新的機遇。隨著智慧醫(yī)療學(xué)科交叉的開展、計算機互聯(lián)網(wǎng)行業(yè)的迅猛發(fā)展以及移動5G、功能成像設(shè)備的開發(fā)升級等，AI在眼科學(xué)的發(fā)展呈現(xiàn)出迅猛發(fā)展的態(tài)勢[49]。AI具有無可替代的高效和快捷，可以減輕臨床醫(yī)生工作負擔，提高醫(yī)生工作效率，為患者提供更好的診療服務(wù)和就醫(yī)體驗。另外，我國人口基數(shù)龐大，醫(yī)療資源分配不均等問題導(dǎo)致醫(yī)療工作者壓力大，患者就醫(yī)難，針對地理位置偏遠或資源匱乏而無法獲得衛(wèi)生保健的人群，開展AI與遠程醫(yī)療和移動健康相結(jié)合將成為未來趨勢，在改善就醫(yī)條件的同時還可以為疾病的普篩做出貢獻。

總而言之，AI是一種先進輔助工具，可以降低時間及經(jīng)濟成本，幫助醫(yī)生更有效地為患者提供更好的醫(yī)療服務(wù)。AI的諸多優(yōu)勢對解決我國醫(yī)療行業(yè)的痛點難點有著巨大潛力和社會價值。相信在未來，AI一定能在眼科學(xué)領(lǐng)域大展拳腳，為我國醫(yī)療事業(yè)的發(fā)展做出更大的貢獻。