李妍，陳廷，廖芙蓉，楊衛(wèi)華

白內(nèi)障是全球首位的致盲性眼病，白內(nèi)障盲是防盲領(lǐng)域的重點(diǎn)疾病。隨著全球人口老齡化加劇，白內(nèi)障的發(fā)病率將不斷增加，也是我國首位致盲原因[1-2]。白內(nèi)障的診斷主要依靠裂隙燈下觀察晶狀體混濁程度結(jié)合最佳矯正視力，而唯一有效的治療手段是手術(shù)。因此，如何快速診斷白內(nèi)障并設(shè)計(jì)出更完美的手術(shù)方式，如何計(jì)算植入人工晶狀體（intraocular lens，IOL）的度數(shù)，以及如何獲得更滿意的術(shù)后效果等難題，是近年來白內(nèi)障領(lǐng)域的研究熱點(diǎn)和發(fā)展方向。有研究[3]提出，使用裂隙燈或彩色眼底照相圖像進(jìn)行白內(nèi)障的人工智能（artificial intelligence，AI）自動(dòng)評(píng)估，也有研究[4]提出，并推導(dǎo)出了基于AI 的白內(nèi)障手術(shù)前IOL 度數(shù)計(jì)算方法。但與糖尿病性視網(wǎng)膜病變、年齡相關(guān)性黃斑變性、青光眼等其他常見眼病相比，AI 在白內(nèi)障領(lǐng)域的研究仍相對(duì)較少。本文總結(jié)分析了AI 在白內(nèi)障診療中的研究進(jìn)展，并提出一些展望和對(duì)策。

1 白內(nèi)障診療現(xiàn)狀

1.1 白內(nèi)障盲概況

白內(nèi)障是全球視力受損、失明的主要原因。隨著人口老齡化加劇，因白內(nèi)障而致盲的患者在2020年已達(dá)到7,050萬[5]，而這些白內(nèi)障病例中有相當(dāng)一部分尚未得到確診。因此，白內(nèi)障不僅僅是個(gè)眼病，而且是一個(gè)非常重要的公共衛(wèi)生問題。

1.2 白內(nèi)障診斷方法現(xiàn)狀與瓶頸

目前，眼科醫(yī)生主要采用裂隙燈顯微鏡對(duì)白內(nèi)障進(jìn)行臨床診斷，并根據(jù)已建立的臨床評(píng)分標(biāo)準(zhǔn)（如晶狀體混濁度分級(jí)系統(tǒng)III）進(jìn)行分級(jí)[6]。這一過程需要依靠眼科醫(yī)生的臨床專業(yè)判斷，而發(fā)展中國家或偏遠(yuǎn)地區(qū)的眼科醫(yī)生嚴(yán)重缺乏。此外，主觀臨床評(píng)估的結(jié)果會(huì)受到不同醫(yī)生主觀差異性的影響?？偟膩碚f，傳統(tǒng)的白內(nèi)障檢測方法需要眼科醫(yī)生的專業(yè)知識(shí)，由于眼科醫(yī)生數(shù)量不足，篩查的病源范圍也相當(dāng)有限，是防盲治盲工作的一個(gè)瓶頸。因此，隨著白內(nèi)障患病人群的不斷增加，迫切需要借助AI 技術(shù)來解決目前存在的白內(nèi)障診斷能力不足，并提出白內(nèi)障檢測的創(chuàng)新方法。

1.3 當(dāng)前IOL度數(shù)計(jì)算的局限性

目前，白內(nèi)障的主要治療方法是手術(shù)切除并植入IOL，白內(nèi)障手術(shù)的預(yù)后視覺效果在很大程度上取決于IOL 的度數(shù)計(jì)算，而IOL 的計(jì)算公式目前是基于術(shù)前眼部生物測量的公式。眼部參數(shù)（如眼軸長度和角膜曲率）是確定IOL 度數(shù)計(jì)算公式適用性的重要因素[7-8]。然而，現(xiàn)有公式主要適用于正常眼軸和曲率，有研究[9-10]表明，即使第4、5 代公式已經(jīng)出現(xiàn)和運(yùn)用，但對(duì)于短眼軸或者長眼軸、有屈光手術(shù)史的患者，其精確性仍有待進(jìn)一步評(píng)估，目前還沒有一個(gè)萬能的公式可以普遍適用于所有的白內(nèi)障手術(shù)患者。

2 AI在眼科的應(yīng)用進(jìn)展

機(jī)器學(xué)習(xí)中的深度學(xué)習(xí)方法是目前最熱門的AI 領(lǐng)域，是機(jī)器學(xué)習(xí)的一個(gè)子集，它涉及到使用人工神經(jīng)網(wǎng)絡(luò)，由多層人工神經(jīng)元組成，模擬人腦的生理功能[11]，深度學(xué)習(xí)系統(tǒng)可以通過訓(xùn)練自動(dòng)提取和處理圖像、文本以及語音識(shí)別中的信息。近年來，AI 系統(tǒng)在醫(yī)學(xué)領(lǐng)域的應(yīng)用顯示出了優(yōu)勢(shì)，例如檢測肺結(jié)節(jié)、肺癌、乳腺癌繼發(fā)淋巴結(jié)轉(zhuǎn)移、結(jié)腸鏡下息肉和腺瘤的實(shí)時(shí)檢測[12-13]。在擁有大量標(biāo)準(zhǔn)圖像和其他醫(yī)學(xué)數(shù)據(jù)的眼科學(xué)領(lǐng)域，AI 在糖尿病視網(wǎng)膜病變、年齡相關(guān)性黃斑變性、干眼和青光眼等方面顯示出了優(yōu)異的表現(xiàn)[14]。TING DSW 等[15]研究表明，基于多中心眼底圖像的深度學(xué)習(xí)系統(tǒng)檢測年齡相關(guān)性黃斑變性的靈敏度高達(dá)93.2%，STORAS AM 等[16]在最新研究報(bào)告中指出AI強(qiáng)大的機(jī)器學(xué)習(xí)能力可用于干眼患者圖像的細(xì)微識(shí)別、干眼診斷及嚴(yán)重程度分級(jí)。算力的快速提高促進(jìn)了深度學(xué)習(xí)方法的迅速升溫[17]。由于其在海量數(shù)據(jù)中提取高級(jí)特征和非結(jié)構(gòu)化模式的特殊能力，深度學(xué)習(xí)系統(tǒng)現(xiàn)在可以獲得良好的性能，在某些具體眼病的診斷上可以媲美或超越臨床醫(yī)生[11]。

3 AI在白內(nèi)障診療中的應(yīng)用

3.1 白內(nèi)障的AI檢測和分級(jí)

隨著AI 系統(tǒng)在各種眼病中的應(yīng)用，基于深度學(xué)習(xí)的AI算法也被開發(fā)用于白內(nèi)障的自動(dòng)檢測和分級(jí)。白內(nèi)障的AI診斷主要基于裂隙燈照相圖像或彩色眼底照相圖像。

由于白內(nèi)障傳統(tǒng)診斷主要是根據(jù)裂隙燈檢查進(jìn)行，因此，以前的一些研究僅將裂隙燈照相圖像作為訓(xùn)練集用于白內(nèi)障的自動(dòng)檢測和分級(jí)。LI H 等[18]應(yīng)用了一種改進(jìn)的主動(dòng)形狀模型（active shape model，ASM），在5,820 張裂隙燈照相圖像上首次確定了晶狀體及晶狀體核的位置，ASM正確識(shí)別晶狀體位置的成功率為95%。在中國的一項(xiàng)大規(guī)模研究中，WU X 等[19]利用殘差神經(jīng)網(wǎng)絡(luò)（residual neural network，ResNet）的深度學(xué)習(xí)，建立了一個(gè)用于白內(nèi)障診斷和轉(zhuǎn)診的3步序貫AI算法。在捕獲模式識(shí)別階段，首先，AI系統(tǒng)將區(qū)分裂隙燈散瞳和免散瞳照片圖像，以及光學(xué)切片和漫射裂隙燈照明圖像。其次，這些圖像再被分為正常（沒有白內(nèi)障）、白內(nèi)障或術(shù)后IOL。如果發(fā)現(xiàn)白內(nèi)障，根據(jù)晶狀體混濁分級(jí)系統(tǒng)II量表評(píng)估白內(nèi)障混濁的類型和嚴(yán)重程度，并決定是否隨訪或需要進(jìn)一步治療。該AI 算法作為網(wǎng)絡(luò)平臺(tái)的一部分，在廣州市越秀區(qū)進(jìn)行了試點(diǎn)研究，參與研究的居民能夠使用手機(jī)應(yīng)用程序填報(bào)視力下降或視力模糊的癥狀，這些自我報(bào)告的病例隨后被送往社區(qū)醫(yī)療機(jī)構(gòu)拍攝免散瞳裂隙燈圖像，并通過AI 算法進(jìn)行處理，然后算法生成結(jié)果。與眼科醫(yī)生的最終診斷結(jié)果相比，該算法對(duì)白內(nèi)障的檢測敏感性和特異性分別為92.00%和83.85%?；谶@些初步結(jié)果，研究者提出了將白內(nèi)障第一步檢測從眼科醫(yī)生轉(zhuǎn)變?yōu)橐陨鐓^(qū)為基礎(chǔ)的醫(yī)療保健設(shè)施（AI 算法的應(yīng)用），相比于現(xiàn)有的衛(wèi)生保健模式，借助AI 技術(shù)眼科醫(yī)師能夠服務(wù)的患者量大約是現(xiàn)有患者量的10倍。

3.2 基于彩色眼底照相圖像的算法開發(fā)

隨著視網(wǎng)膜成像技術(shù)在糖尿病視網(wǎng)膜病變及其他眼底病篩查中應(yīng)用的日益增多，很多研究團(tuán)隊(duì)也探討了彩色眼底照片在白內(nèi)障自動(dòng)評(píng)估體系中的應(yīng)用，使得眼底照相作為一種白內(nèi)障篩查工具成為可能[20]。

DONG Y 等[21]使用5,495 幅眼底圖像訓(xùn)練并開發(fā)了一種AI 算法（使用傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法的結(jié)合）。首先，用基于Caffe 軟件構(gòu)建的深度學(xué)習(xí)網(wǎng)絡(luò)提取圖像特征，然后，用Softmax 函數(shù)（一種機(jī)器學(xué)習(xí)算法）進(jìn)行白內(nèi)障檢測和嚴(yán)重程度分級(jí)。由經(jīng)驗(yàn)豐富的眼科醫(yī)生判斷，并根據(jù)眼底圖像的“可見度”分類來確定白內(nèi)障的4 種嚴(yán)重程度（正常、輕度、中度和重度）。在2,355 幅圖像的內(nèi)部測試中，發(fā)現(xiàn)94.07%的圖像對(duì)白內(nèi)障進(jìn)行了正確分類，90.82%的圖像對(duì)不同程度的白內(nèi)障進(jìn)行了正確分級(jí)。

PRATAP T 等[22]在AI 系統(tǒng)中應(yīng)用了預(yù)訓(xùn)練的卷積—遞歸神經(jīng)網(wǎng)絡(luò)（深度學(xué)習(xí)網(wǎng)絡(luò)的一種形式）和支持向量機(jī)的結(jié)合。根據(jù)眼科醫(yī)師對(duì)眼底圖像的“可見度”來表示4 類白內(nèi)障嚴(yán)重程度（同上），當(dāng)對(duì)400張眼底圖像進(jìn)行測試時(shí)，系統(tǒng)顯示分類白內(nèi)障的準(zhǔn)確度達(dá)到了100%，分辨白內(nèi)障嚴(yán)重級(jí)別的準(zhǔn)確率達(dá)到了93%。

LI J等[23]利用北京同仁眼科中心臨床數(shù)據(jù)庫中的7,030張眼底圖像的訓(xùn)練數(shù)據(jù)，開發(fā)了一個(gè)由ResNet-18 和ResNet-50 組成的基于深度學(xué)習(xí)的系統(tǒng)。采用ResNet-50 進(jìn)行較為復(fù)雜的白內(nèi)障嚴(yán)重程度分級(jí)，而ResNet-18 用于白內(nèi)障檢測。同樣，研究者也對(duì)眼底圖像進(jìn)行預(yù)處理，應(yīng)用綠色濾光片將光照不均勻的程度降到最低。再通過對(duì)眼底圖像的能見度進(jìn)行標(biāo)記，將白內(nèi)障按嚴(yán)重程度分為上述4 類，從而確定了本研究的準(zhǔn)確數(shù)據(jù)。結(jié)果顯示，使用1,000 幅圖像的內(nèi)部測試集，該系統(tǒng)在白內(nèi)障檢測方面的準(zhǔn)確率為97.2%，在嚴(yán)重程度分級(jí)方面的準(zhǔn)確率為87.7%。

3.3 AI在IOL度數(shù)計(jì)算中的應(yīng)用

目前，IOL 度數(shù)計(jì)算公式主要基于眼球生物特征測量。隨著深度學(xué)習(xí)的出現(xiàn)，AI 有可能解開這些眼部參數(shù)之間復(fù)雜的、非線性的關(guān)系，并產(chǎn)生能夠更好地適合個(gè)體差異的計(jì)算。

因此，以規(guī)范IOL 度數(shù)計(jì)算公式的選擇為重點(diǎn)，LADAS JG 等[4]開發(fā)了一種基于IOL 的公式：Ladas 超級(jí)公式，它是從現(xiàn)有的公式（即Hoffer Q、Holladay-1、Holladay-1 Koch、Haigis 和SRK/T 公式）各自的理想部分進(jìn)行特征提取。雖然文獻(xiàn)中沒有詳細(xì)說明該算法的數(shù)學(xué)細(xì)節(jié)，但該算法被描述為源自每個(gè)現(xiàn)有公式中“最理想的生物特征成分”，比如眼軸長度和角膜曲率。這個(gè)公式可能使目前缺乏經(jīng)驗(yàn)的白內(nèi)障手術(shù)醫(yī)生面臨的IOL 度數(shù)計(jì)算公式選擇難題成為智能過程。除了優(yōu)化公式的選擇過程，AI 也用于開發(fā)IOL 度數(shù)計(jì)算算法。據(jù)報(bào)道[24]基于Haag-Streit LENSTAR 光學(xué)生物計(jì)測得的大約12,000 只眼的數(shù)據(jù)獲得的Hill-RBF 公式，可以估計(jì)個(gè)體化眼睛的IOL 度數(shù)。另一個(gè)AI 計(jì)算IOL 度數(shù)的計(jì)算公式是Kane 公式[25]，是基于使用高性能云計(jì)算創(chuàng)建而來，是傳統(tǒng)回歸模式和機(jī)器學(xué)習(xí)部分的結(jié)合，為了改進(jìn)IOL 度數(shù)測量而創(chuàng)造。在該研究中，進(jìn)一步評(píng)估了Hill-RBF 公式和Kane 公式的準(zhǔn)確性。比較計(jì)算公式和實(shí)際術(shù)后屈光不正，對(duì)于短眼軸的病人（≤22.0 mm），Kane公式平均絕對(duì)誤差為0.441 D，而Hill-RBF 公式平均絕對(duì)誤差為0.440 D。對(duì)于中等眼軸長度的病人（22.0～26.0 mm），Kane 公式表明，平均絕對(duì)誤差為0.322 D，Hill-RBF 公式報(bào)道的平均絕對(duì)誤差為0.340 D。最后，對(duì)于長眼軸的病人（≥26.0 mm），Kane公式顯示了0.326 D的平均絕對(duì)誤差，而Hill-RBF公式的平均絕對(duì)誤差為0.358 D?？偟膩碚f，公式都展示出了很好的結(jié)果，但還需要進(jìn)一步改善，尤其是短眼軸眼。

4 AI在白內(nèi)障診療領(lǐng)域的展望和對(duì)策

上述大多數(shù)研究顯示了較好的前景，但是都沒有進(jìn)一步對(duì)各自的算法進(jìn)行外部測試或多中心研究。因此，這些算法的可推廣性還沒有證實(shí)。此外因?yàn)閳鼍邦愋偷牟煌@些算法在社區(qū)、初級(jí)保健機(jī)構(gòu)或三級(jí)眼科醫(yī)院的應(yīng)用仍有待進(jìn)一步評(píng)估。

AI在IOL度數(shù)測量及公式的選擇應(yīng)用方面，以及非典型生物特征眼（如極短和極長眼軸）的算法有待在以后的工作中進(jìn)一步調(diào)整。對(duì)于有屈光手術(shù)史的患者，使用現(xiàn)有公式對(duì)IOL 度數(shù)計(jì)算給眼科醫(yī)生帶來了更多挑戰(zhàn)。相較于歐美國家，中國接受角膜屈光手術(shù)的患者更多，加上人口老齡化的問題，預(yù)計(jì)在未來屈光手術(shù)后需要白內(nèi)障手術(shù)的患者數(shù)量將不斷增加。基于這個(gè)原因，需要新的AI 推導(dǎo)公式或公式選擇方法來提高角膜屈光手術(shù)患者的IOL度數(shù)測量的準(zhǔn)確性。

隨著眼前節(jié)成像形式的增加，包括手持眼底相機(jī)、眼底照相和連接到智能手機(jī)的照相適配器等，新的AI 系統(tǒng)可以提供更好的白內(nèi)障篩查服務(wù)，特別是在農(nóng)村和眼科資源匱乏的地區(qū)。而且這些成像模式越來越經(jīng)濟(jì)，易于使用，檢查者可由訓(xùn)練有素的技術(shù)人員或護(hù)士擔(dān)任。此外，眼底照相在糖尿病?？坪Y查項(xiàng)目中已經(jīng)很普遍，用于糖尿病視網(wǎng)膜病變篩查的照片也可以用于白內(nèi)障檢測，眼底照相檢查也可以作為自動(dòng)化白內(nèi)障篩查的評(píng)估工具。

最后，開發(fā)出基于清晰明確且有大量臨床數(shù)據(jù)支持的新算法，或改進(jìn)現(xiàn)有AI 算法仍然是一個(gè)挑戰(zhàn)。為了達(dá)到這個(gè)目標(biāo)，醫(yī)院的電子病歷（包括臨床數(shù)據(jù)與圖像）與云存儲(chǔ)的無縫連接，可能會(huì)為促進(jìn)新算法的發(fā)展而提供機(jī)會(huì)。然而，在建立和維護(hù)云存儲(chǔ)的過程中，云平臺(tái)臨床數(shù)據(jù)用于算法研究的同時(shí)，還需要加強(qiáng)保護(hù)患者的數(shù)據(jù)隱私，確保嚴(yán)格的規(guī)章制度和研究數(shù)據(jù)的匿名化。

5 小結(jié)

AI 的出現(xiàn)為白內(nèi)障檢測、分級(jí)、IOL 度數(shù)計(jì)算等領(lǐng)域帶來了新的發(fā)展機(jī)遇。白內(nèi)障作為占全球致盲率首位的疾病，其診斷和個(gè)性化的治療依靠現(xiàn)有的醫(yī)患模式已不能滿足患者的需要。伴隨計(jì)算能力的提高和日益可用的白內(nèi)障大數(shù)據(jù)增加，AI 在未來應(yīng)用于白內(nèi)障相關(guān)臨床實(shí)踐和服務(wù)是大勢(shì)所趨，除了上述幾個(gè)方面，術(shù)后屈光狀態(tài)的優(yōu)化和兒童白內(nèi)障的評(píng)估也是未來的發(fā)展方向，這些都需要眼科科研人員和AI 專家的共同努力和不斷創(chuàng)新，齊心協(xié)力致力于AI 在白內(nèi)障領(lǐng)域的推廣和應(yīng)用。