紀玉珂，陳 楠，顏智鵬，李柯然，王成虎，曹國凡，蔣 沁，楊衛(wèi)華

0引言

人工智能(artificial Intelligence，AI)是計算機科學的一個分支，它是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門新的技術科學[1]。真正的AI概念是由John McCarthy于1956年提出的，當時的目標是“以推測為基礎，能夠精確地描述學習的各個方面或智力的其他特征，能夠制造出一個機器來模擬這種智能思路”。AI自1956年被提出來以后，在圖像識別、數據挖掘、語言處理等方面發(fā)揮了很大的作用，同時也展現了巨大的潛力。近幾年，AI得到了飛速的發(fā)展，目前AI技術已經廣泛應用于物聯(lián)網、汽車、工業(yè)、社交媒體等多種領域，同時其在醫(yī)療行業(yè)的應用也取得了巨大進展，展現出了巨大的潛力[2]。2018-04-11 IDx-DR被美國食品藥品監(jiān)督管理局批準上市[3]，它是第一臺上市的眼科AI設備，標志著AI在眼科領域的應用進入了新的階段。目前，AI技術對于糖尿病視網膜病變(diabetic retinopathy，DR)、年齡相關性黃斑變性(age-related macular degeneration，ARMD)、青光眼(glaucoma)以及早產兒視網膜病變(retinopathy of prematurity，ROP)等疾病的研究已經逐步展開，并取得了一系列研究成果[4-7]。隨著AI在眼科領域研究的不斷深入，近年來，AI技術在視光學領域的研究取得了諸多成果。本文主要對近年來AI在視光學領域取得的研究成果進行綜述。

1 AI在視光學中的應用

1.1AI在近視中的應用

1.1.1AI在近視預測中的應用目前，近視已成為我國第二大常見眼病，近視發(fā)病率逐年上升，并呈年輕化趨勢[8]。以往的研究表明，近視的發(fā)生主要是由不良的用眼習慣導致的，包括讀寫姿勢等，同時也與眼軸長度、父母的遺傳等因素有關。隨著社會的快速發(fā)展和手持電子終端設備的日益普及，近視的發(fā)病率持續(xù)上升，呈現年輕化趨勢。青少年是近視的重災區(qū)，由于學業(yè)負擔過重和眼睛的生長發(fā)育，不良的用眼習慣和過度用眼極容易導致青少年近視，近視已成為困擾我國青少年發(fā)展的首要問題。這種“近視熱潮”是一個重要的國際公眾關注的問題，近視已經嚴重影響青少年的學習成績和日常生活[9]。每年都有成千上萬的青少年到眼科醫(yī)院就診，孩子患高度近視已經成為家長們非常關注的問題[10]。由于中國人口基數大，近視患病率高，因此，需要高度重視近視的預防，尤其是青少年近視的預防。近幾年，AI技術得到了飛速的發(fā)展，將AI應用于青少年的近視預防顯得尤為重要。

Yang等[8]基于小學生的眼部數據和行為數據以及單變量相關分析和多元相關分析的特征選擇方法，較好地構建了用于模型訓練的特征訓練集，并提出了一種基于Gradient Boosting Regression Tree(GBRT)的數據缺失補全方法，同時基于支持向量機模型建立了青少年近視預測模型。該研究結果表明，此模型能夠提供合理的近視預測精確度，同時發(fā)現父母都不戴眼鏡、室內活動量、室外活動量、軸向長度、角膜曲率、吃白肉的頻率等因素與近視呈正相關關系，而其他一些因素，如閉合調節(jié)能力、遠距離調節(jié)能力、每分鐘脈沖數、飲用碳酸飲料的頻率、吃紅肉的頻率等對近視有負面影響。

Lin等[11]將8個眼科中心的學齡兒童的電子病歷進行匯總，基于隨機森林算法預測學齡兒童未來3、5、8a屈光度的進展情況以及學齡兒童在未來特定時間點發(fā)生高度近視的時間。實驗結果表明，該預測模型可以成功預測學齡兒童未來3、5、8a的球鏡度數和近視進展情況，同時，該模型還可以以臨床可接受的準確度預測學齡兒童18歲時高度近視的球鏡度數。

由此可見，AI技術在青少年近視防控中展現了巨大的潛力，如果能夠充分的將AI應用于青少年近視防控，就可以更好地預測青少年近視的發(fā)展，對重點兒童予以重點關注，從而預防青少年近視，降低青少年的近視發(fā)病率，提高青少年的身體素質。

1.1.2AI在近視矯正中的應用未矯正或矯正不足的近視是導致視力損害的主要原因，已造成全球數十億美元的損失[12]。高度近視，特別是極高度近視，極有可能矯正不足，這是很常見的情況，因為許多極高度近視的患者由于眼鏡放大或不等像等問題而不能忍受配戴眼鏡從而導致不能完全矯正。角膜屈光手術是矯正近視的有效方法，而矯正量受到角膜厚度的限制。隱形眼鏡可以矯正-20～+20D的屈光不正，但日常清洗和保養(yǎng)不當可能導致角膜炎。而對于人工晶狀體植入術來說，近視達到18D，散光達到6D，均可完全矯正，并且獲得滿意的視覺效果和生活質量[13]。因此，人工晶狀體植入術在近視患者中越來越受歡迎，已成為治療近視，特別是極高度近視的主流手術之一。

Shen等[14]收集匯總了3536例患者，共6297只接受過有晶狀體眼后房型人工晶狀體(implantable contact lens, ICL)植入術的眼的數據，利用隨機森林法、梯度Boost法和XGBoosting法建立了ICL尺寸預測模型。最后，試驗結果為隨機森林法對ICL大小的預測準確率為82.2%，梯度Boosting法和XGBoost法對ICL大小的預測準確率分別為81.5%、81.8%。因此，將AI應用于臨床，可以幫助眼科醫(yī)生制定手術策略，提高ICL手術的安全性，并預測臨床結果。

1.1.3AI在角膜塑形鏡驗配中的應用我國兒童青少年的近視患病率位居世界前列，并且近視患病率逐年攀升。角膜塑形鏡作為兒童青少年近視防控的主要手段之一，近年來，被越來越多的患者及家屬所接受。據不完全統(tǒng)計，我國角膜塑形鏡驗配量逐年遞增。目前，由于角膜塑形鏡驗配流程復雜，專業(yè)驗配人員培養(yǎng)周期長，若將AI用于輔助角膜塑形鏡驗配，則有利于優(yōu)化驗配流程，提高矯正效果，從而更容易將角膜塑形鏡用于兒童青少年的近視防控。

張清桃等[15]通過邏輯回歸模型、決策樹、逐步回歸分析法等方法對750例1467眼角膜塑形鏡配戴患者的醫(yī)學驗光數據及角膜地形圖檢查數據進行分析，選用邏輯回歸和多元線性回歸分析法應用于訓練集并建立擬合模型，最終鏡片設計擬合度高達0.87，該擬合模型可以指導驗配人員快速準確地完成角膜塑形鏡的驗配，實現了AI決策輔助角膜塑形鏡的驗配。

1.1.4AI在病理性近視中的應用病理性近視(pathological myopia，PM)是世界范圍內視力受損和失明的主要原因，尤其是在東亞人群中[10,16]。病理性近視大多起源于高度近視，可引起多種并發(fā)癥，如青光眼、視網膜脫離和近視性黃斑病變。大約1%～3%世界人口由于高度近視而發(fā)展為視力受損的黃斑病變，稱為近視性黃斑病變(myopic maculopathy， MM)，MM和后部葡萄腫都被用來定義病理性近視，這種病理性近視會導致無法矯正和不可逆的視力損害[17-18]。MM是病理性近視最嚴重、最不可逆的并發(fā)癥。MM包含兩部分：萎縮性病變和Plus病變。漆裂紋、脈絡膜新生血管和Fuchs斑屬于Plus病變；據估計，到2050年，MM造成的視力障礙將影響5570萬人，將導致1850萬人失明[19]。根據國際近視黃斑病變攝影分級系統(tǒng)(META-PM)，MM由輕到重可分為無黃斑病變(C0)、豹紋眼底(C1)、彌漫性脈絡膜視網膜萎縮(C2)、斑片狀脈絡膜視網膜萎縮(C3)和黃斑萎縮(C4),MM分級越高，眼底改變越明顯，視力損害越明顯[20]。因此，早期發(fā)現和治療MM對于MM患者來說至關重要。目前，AI在PM及MM中的應用主要集中在眼底圖像中的應用。

陳楠等[21]收集了4489張高度近視患者的眼底圖像(隨機選取162張作為訓練集，18張作為驗證集，余下3589張作為測試集)，基于深度學習(DL)算法，提取高度近視眼底圖像特征，建立VGG16全卷積神經網絡及ResNet50深度殘差網絡，構建病理性近視AI輔助診斷模型。結果顯示，AI輔助診斷模型與眼科專家的診斷一致性均為0.7222。Hemelings等[22]基于卷積神經網絡(CNNs)架構，通過UNet++、ResNet編碼器和ImageNet權重轉移對1200張眼底圖像進行分析并提取病變特征，然后通過修改和訓練，該方法在測試集上的AUC值為0.98。該研究結果表明，此方法可以同時對病理性近視進行分類并分割相關的病變，可應用于臨床輔助病理性近視的診斷和分類。

Du等[23]利用放射組學的方法[包括：(1)眼底圖像特征的“提取”；(2)通過自動提取的圖像特征來構建數據庫；(3)利用相關分析和機器學習的方法選擇并判別特征]和機器學習對313例457眼患者(分為重度MM和非重度MM)的眼底圖像進行分析并提取特征，從視盤區(qū)發(fā)現了8個新的與MM相關的眼底圖像特征，結果顯示，在驗證數據集上，新圖像特征在嚴重MM中的AUC得分為0.8263，臨床特征的AUC得分為0.7925，這些新發(fā)現的圖像特征對MM具有更好的分類能力，可用于區(qū)分患有和不患有嚴重MM的患者，同時這些特征也可以為臨床醫(yī)生對MM的診斷提供重要幫助，從而提高醫(yī)生的診斷效率。

Sogawa等[24]收集了910例正常眼或MM眼的SS-OCT圖像，然后利用預處理后的圖像數據構建并訓練了9個深度神經網絡(DNNs)模型：VGG-16、VGG-19、ResNet-50、InceptionV3、InceptionResNetV2、Xception、DenseNet121、DenseNet169和DenseNet201，訓練結束后，使用測試數據對每個模型的性能進行評估，其中以VGG-16、VGG-19、DenseNet121、InceptionV3和ResNet-50的組合模型對有或無MM的OCT圖像分類結果最好，其AUC值為0.970，靈敏度為90.6%，特異度為94.2%。此外，他們還比較了DNNs模型和眼科醫(yī)生對92幅有或無MM的OCT圖像的分類結果，結果顯示，深度神經網絡的AUC為0.837，眼科醫(yī)生的AUC為0.877，這說明神經網絡的結果與眼科醫(yī)生的結果沒有顯著差異。由此可見，AI利用SS-OCT圖像數據進行自動診斷可能在MM篩查中非常有用，同時也可大大減輕臨床醫(yī)生的工作量。

臨床醫(yī)生對于病理性近視、MM的診斷主要依賴眼底照相、OCT等大量影像資料，多項研究表明，AI在該方面已經得到了飛速的發(fā)展，將AI與臨床充分結合，將大大提高臨床醫(yī)生的診斷效率。

1.2AI在斜視中的應用斜視是指任何一眼視軸偏離的臨床現象，可因雙眼單視異?；蚩刂蒲矍蜻\動的視神經肌肉異常或各類機械性限制引起。斜視是一種常見的眼科疾病，如果不能得到及時的診斷和治療，可導致3D感知障礙、弱視，甚至失明[25-26]。如果能夠及早得到診斷，那么許多年輕的斜視患者可以得到很好的治療效果，尤其是對于學齡前的斜視兒童來說，學齡前兒童的斜視比成人有更大的治愈機會。因此，對于斜視患者的及時診斷是至關重要的。將AI與斜視的臨床診斷相結合，會大大提高斜視臨床診斷的準確率。

Zheng等[27]匯總了7026張圖像(3829張非斜視圖像和3197張斜視圖像)以DL算法為基礎，基于快速區(qū)域的卷積神經網絡(FasterR-CNN)和3個DCNNs(VGG16, Inception-V3, Xception)構建了DL模型，訓練過程中經過5次交叉驗證，結果為DL模型的平均AUC約為0.99，在外部驗證數據集上，DL算法的AUC為0.99，靈敏度為94.0%，特異度為99.3%，該算法診斷水平斜視的準確率為0.95，優(yōu)于住院眼科醫(yī)生的診斷準確率(準確率為0.81～0.85)。Chen等[28]設計了一個眼動跟蹤系統(tǒng)來獲取正常人和斜視患者的眼動數據，然后設計了一種視距偏差(GADE)圖像來表示受試者的眼球跟蹤數據，最后，利用在大型真實圖像庫上訓練的CNN從GADE圖像中提取特征用于斜視的識別，準確率可達0.952，該實驗結果表明，GADE圖像是表示斜視注視數據的有效方法，有助于斜視的臨床診斷。de Figueiredo等[29]開發(fā)了一款應用程序，該應用程序能夠評估眼球運動，可作為一種易于應用的工具來縮短斜視的臨床診斷時間，從而提高斜視診斷的準確率。

1.3AI在弱視中的應用弱視是視覺發(fā)育期內由于異常視覺經驗引起的單眼或雙眼最佳矯正視力下降，眼部檢查無器質性病變。弱視是一種常見的兒童視力障礙，可導致永久性視力障礙，屈光不正和斜視是重要的弱視危險因素(ARF)，ARF包括屈光不正、屈光參差、斜視、上瞼下垂、晶狀體混濁和形覺剝奪[30-31]。弱視在總人口中占1.1%～5%，因此早期篩查弱視因素非常重要[32-33]。目前，照片篩查已被證明是客觀篩查屈光不正和弱視因素的有效方法，實現有弱視危險因素幼兒的早期篩查，有助于弱視兒童的進行進一步的診斷和治療。將AI應用于弱視的臨床診斷會大大提高醫(yī)生的臨床診斷效率和準確率。

Murali等[34]招募了54名驗光專業(yè)的學生進行數據采集，將深度學習算法與Android智能手機相結合，使用Kanna算法來篩查ARF：使用Gaussian Blur算法對所有圖像進行預處理，并將其轉換為灰度以供DL級聯(lián)模型應用，使用DL模型預測的面部地標對眼睛進行定位，使用UnityEyes數據集訓練卷積神經網絡來檢測虹膜邊界的6個虹膜標志，使用暗光圖像測量紅光反射定位、未擴張的瞳孔半徑、虹膜區(qū)域和紅光反射的色調以及新月寬度等參數，使用角膜光反射(CLR)位置、虹膜中心和眼球半徑與虹膜直徑的生物統(tǒng)計學比率進行斜視角度的數學計算，使用眼瞼輪廓和CLR測量上瞼下垂，使用Microsoft Excel和Python編程語言中的NumPy庫進行統(tǒng)計分析；該算法的F-Score為73.2%，敏感度為88.2%，特異度為75.6%，檢測斜視(n=1/1)和屈光不正(n=14/16)的準確率較高，斜視預測值為0.88，屈光不正相關系數為0.82，屈光參差相關系數為0.79，有助于實現臨床上弱視兒童的早期篩查。

1.4AI在圓錐角膜中的應用圓錐角膜是一種非炎癥性角膜疾病，以基質變薄、前突出和散光不規(guī)則為特征。它典型的表現為青春期前后，雙眼發(fā)病，視力進行性下降，嚴重者可導致不可逆轉的視力喪失[35]。不幸的是，雖然已經提出了幾種理論和遺傳因素，但是圓錐角膜的病因至今仍不明確，此外，目前還沒有有效的治療方法來預防早期圓錐角膜的進展[36]。因此，對于圓錐角膜或亞臨床圓錐角膜的早期診斷，可以干預圓錐角膜病程的進展。此外，早期診斷圓錐角膜有助于我們了解圓錐角膜的自然病程進展 。

值得注意的是，晚期圓錐角膜可以根據典型的臨床體征進行診斷，如Munson征、Vogt線紋和裂隙燈檢查下的Fleischer環(huán)；然而，這些體征在圓錐角膜的早期階段并不存在。將AI分析模型與臨床診斷相結合，有助于早期圓錐角膜的篩查和診斷。Kuo等[37]采用了3種著名的CNN模型即VGG16模型、InceptionV3模型和ResNet152模型，對206例患者，共354張角膜地形圖進行遷移學習和分析，從而區(qū)分正常角膜和圓錐角膜的角膜地形圖，經過訓練，3個CNN模型均具有較好的性能，VGG16和InceptionV3的精確度均為0.931,ResNet152的精確度為0.958；VGG16和InceptionV3的靈敏度為0.917,ResNet152的靈敏度為0.944；VGG16和InceptionV3的特異度為0.944,ResNet152的特異度為0.972，適用于圓錐角膜的早期篩查和診斷。

Smadja等[38]開發(fā)了一種基于樹分類自動檢測圓錐角膜的方法，用雙Scheimpflug分析儀對372眼進行成像，共獲得了55個參數。經過訓練和修改后，對正常角膜和圓錐角膜區(qū)分的靈敏度和特異度均達到100%。Ruiz Hidalgo等[39]用Pentacam測量獲得了22個參數，然后基于支持向量機算法提出了一種區(qū)分正常角膜和圓錐角膜方法，經過訓練，該方法對正常角膜和圓錐角膜區(qū)分的準確率為88.8%，敏感度為89.0%，特異度為95.2%。

上述多個研究表明，AI在圓錐角膜圖像識別方面取得了良好的效果，對圓錐角膜的預測準確性高，可應用于圓錐角膜的臨床輔助診斷。

2 AI應用中的局限性及展望

目前，盡管在各種論文發(fā)表中，AI系統(tǒng)對于相關疾病的診斷和病情評估的準確性、敏感度和特異度都達到了令人咋舌的高度，但因為試驗中訓練和驗證數據的限定與真實世界復雜環(huán)境有著巨大的差異，所以，AI系統(tǒng)廣泛應用于臨床尚有一段距離。同時，設備型號的不同、圖像的標準化以及算法的黑盒問題都需要一定的時間來解決：(1)對于罕見疾病或者臨床上無法常規(guī)成像的疾病，如果應用于AI的圖像訓練集太小或不能代表患者真實的病情情況，那么最后得到的結果可能不夠準確[40]；(2)雖然在許多文章中AI研究小組報告了他們DL系統(tǒng)穩(wěn)定的診斷性能，但是一些論文沒有顯示其獨立數據集的計算是如何執(zhí)行的；(3)不同的國家和環(huán)境在醫(yī)學方面和監(jiān)管批準方面存在許多差異，這就需要將來在這些領域開展更多工作[41]。此外，臨床采用AI技術的一個重要挑戰(zhàn)是如何將患者的臨床護理委托給機器，Keel等[42]評估了內分泌門診中糖尿病視網膜病變患者對于通過AI篩查疾病的接受性，報告稱96%參與者對自動篩查模型感到滿意或非常滿意。然而，在不同的人群和環(huán)境中，患者對于通過AI篩查診斷的接受性可能會有所不同，并可能阻礙其實施。

以深度學習為基礎的AI模型在視光學領域中的應用結果顯示這些模型具有較高的靈敏度、特異度，能夠為臨床醫(yī)生的診斷提供很大的幫助，從而提高臨床醫(yī)生的診斷效率和準確率，同時還可緩解臨床醫(yī)生的工作壓力。雖然未來有很多挑戰(zhàn)，但目前，AI的研究已經逐漸滲透到眼科的各個領域，包括視網膜疾病、白內障、青光眼、角膜病等，并與大數據結合，相信不久就會有一大批方便醫(yī)生及患者的新型AI設備上市。

目前眼科AI還有一些局限性：(1)AI在眼科領域的應用方向主要是疾病的初步診斷和分類，但關于疾病的預后和轉歸預測的研究相對較少；(2)在研究數據采集過程中，受到眼科檢查設備、操作醫(yī)師水平以及不同患者配合的差異等諸多因素的影響，會在很大程度上影響AI模型的靈敏度等性能。因此，在未來的研究中，需要投入更多的精力，逐步完善眼視光AI模型需要的研究樣本收集流程、算法驗證過程以及AI模型設計方式等相應的指南或規(guī)范。