楊麗丹 李青蒨 陳倩茵 馬紅婕 東田理沙 林 迪 林 晨

青光眼是一種以視網(wǎng)膜神經(jīng)節(jié)細(xì)胞(RGC)及其軸突進(jìn)行性死亡為特征的視神經(jīng)病變[1-2]。在我國,青光眼在40歲以上人群中的患病率約為2.6%,致盲率約30.0%[3]。青光眼起病隱匿,大多數(shù)患者確診時已處于疾病中晚期[1],視神經(jīng)功能已經(jīng)遭受嚴(yán)重的不可逆性損傷。因此,早期診斷并及時干預(yù)對于降低青光眼患者視功能損害、改善預(yù)后具有重要意義。

隨著科學(xué)技術(shù)的發(fā)展,人工智能(AI)的研究不斷深入。在眼科領(lǐng)域,AI可通過分析視野(VF)、光學(xué)相干斷層掃描(OCT)、眼底彩色照相,眼生物力學(xué)等形態(tài)功能檢查所提供的數(shù)據(jù)進(jìn)行疾病風(fēng)險評估、診斷分類和預(yù)后預(yù)測。現(xiàn)有證據(jù)表明,使用各種AI方法可以提高早期青光眼的診斷準(zhǔn)確性,并可減少漏診和誤診[2,4]。此外,通過AI從眼底彩色照相中檢測青光眼性視神經(jīng)病變展現(xiàn)出較高的靈敏度和特異度,有望提升青光眼的篩查效率,擴(kuò)大篩查人群,并簡化眼科醫(yī)師的工作[5]。本文旨在歸納和梳理AI在青光眼診斷中的應(yīng)用研究,對其優(yōu)缺點(diǎn)進(jìn)行分析總結(jié),以期為青光眼的診療中發(fā)揮AI的作用提供參考。

1 AI的分類與基本原理

1956年,AI被定義為 “表現(xiàn)出智能行為的硬件或軟件”[6]。機(jī)器學(xué)習(xí)(ML)是實(shí)現(xiàn)AI的方法之一,其通過使用算法分析大量數(shù)據(jù),自動總結(jié)及學(xué)習(xí)規(guī)律,并對新的數(shù)據(jù)做出預(yù)測。根據(jù)是否對使用的數(shù)據(jù)樣本進(jìn)行標(biāo)記,ML可以分為監(jiān)督學(xué)習(xí)(回歸、支持向量機(jī)、決策樹等)和非監(jiān)督學(xué)習(xí)(聚類、降維算法等)[7]。在監(jiān)督學(xué)習(xí)中,每個數(shù)據(jù)都被標(biāo)有明確的診斷(青光眼或非青光眼)來指示機(jī)器做出正確判斷;在非監(jiān)督學(xué)習(xí)中,機(jī)器不知道數(shù)據(jù)具體來源,通過自行學(xué)習(xí)數(shù)據(jù)中的關(guān)聯(lián)來產(chǎn)生模式或類別[7]。隨著算法的優(yōu)化、云服務(wù)的提出和發(fā)展,以及數(shù)據(jù)量的不斷積累,深度學(xué)習(xí)(DL)作為ML一個新的子領(lǐng)域迅速發(fā)展。DL通過有監(jiān)督或者無監(jiān)督的方法,訓(xùn)練含有多個中間隱藏層的人工神經(jīng)網(wǎng)絡(luò),這種深度神經(jīng)網(wǎng)絡(luò)可以同時執(zhí)行特征提取及分類兩項(xiàng)任務(wù),每一層將來自上一層的輸入信息轉(zhuǎn)化為更為抽象的特征表示,直至產(chǎn)生最終分類[7]。卷積神經(jīng)網(wǎng)絡(luò)(CNN)是DL的重要組成部分,在DL圖像識別的應(yīng)用中起關(guān)鍵作用。卷積層是CNN的核心模塊,通過設(shè)置不同卷積層及網(wǎng)絡(luò)結(jié)構(gòu)而衍生的各類神經(jīng)網(wǎng)絡(luò)來提高對不同數(shù)據(jù)的分析效率,從而應(yīng)用在不同類別的多模態(tài)圖像中。

2 AI在青光眼診斷中的應(yīng)用

2.1 眼底彩色照相眼底彩色照相主要用于評估視盤(ONH)、血管及各視網(wǎng)膜區(qū)域(黃斑等)。Sinthanayothin等[8]于1999年首次從眼底彩色照相中自動檢測不同的視網(wǎng)膜結(jié)構(gòu),通過識別相鄰像素強(qiáng)度變化最大的區(qū)域來定位視盤,多層感知器神經(jīng)網(wǎng)絡(luò)識別血管,利用匹配相關(guān)性來識別患者黃斑中心凹,展現(xiàn)出較高的靈敏度(80.4%～99.1%)和特異度(91.0%～99.1%)。隨后,有研究利用AI從眼底彩色照相中自動提取相關(guān)結(jié)構(gòu)參數(shù),并用于青光眼的診斷[9-10]。Xu等[9]利用模塊化結(jié)構(gòu)模擬人類專家的診斷思維,創(chuàng)建了一種分層DL系統(tǒng)(HDLS),其中預(yù)診斷-分類模塊可為眼底彩色照相的整體信息做出初步診斷;圖像分割模塊根據(jù)預(yù)診斷結(jié)果對ONH、視杯和視網(wǎng)膜神經(jīng)纖維層(RNFL)缺損進(jìn)行精確分割;最終診斷模塊在精確分割的基礎(chǔ)上提取反映視盤邊緣形態(tài)的量化指標(biāo),包括平均杯盤比、ISNT(下、上、鼻、顳側(cè))評分及RNFL缺損,從而做出基于支持向量機(jī)和決策樹分類器的最終診斷。HDLS除了提供自動診斷結(jié)果,還可以提供診斷邏輯和診斷可信度,顯著提高了我國偏遠(yuǎn)地區(qū)青光眼的篩查及診斷效率,其接受者工作特征曲線下面積(ROC-AUC)值為0.983。除了ONH的幾何信息外,AI還可以利用眼底彩色照相中的像素、紋理、顏色等非幾何信息來輔助診斷青光眼。Maheshwari等[11]提出了一種基于平面切片和局部二值模式的青光眼診斷方法,首先從眼底彩色照相中分離出紅色、綠色、藍(lán)色3種通道,再從各通道的每個平面切片中提取基于局部二值模式的統(tǒng)計(jì)特征,最后,將這些特征分別輸入到3個不同的支持向量機(jī)來產(chǎn)生分類,分類準(zhǔn)確率達(dá) 99.3%。Haleem等[12]利用一種新的加權(quán)特征圖自動定位,并分割視盤后,使用圖像特征模型提取不同區(qū)域內(nèi)的多個高階特征(紋理、基于頻率的信息、梯度特征等),高斯濾波器組對不同區(qū)域的不同特征進(jìn)行卷積和計(jì)算,最終將結(jié)果提交給支持向量機(jī)來完成對正常眼和青光眼的分類,這種方法的準(zhǔn)確率達(dá) 94.4%。以上研究基于對眼底彩色照相的評估和標(biāo)記診斷標(biāo)簽來指示機(jī)器進(jìn)行學(xué)習(xí),但是人為評估的準(zhǔn)確性和重復(fù)性有限[13],可能會使機(jī)器繼續(xù)學(xué)習(xí)相同的錯誤,從而降低診斷效率。

明確輸入數(shù)據(jù)集的分類可以提高機(jī)器診斷的準(zhǔn)確性,為了降低人為評估的影響,有研究嘗試以O(shè)CT的結(jié)果作為診斷和分級標(biāo)準(zhǔn)[14-15]。Medeiros等[14]使用譜域光學(xué)相干斷層掃描(SD-OCT)數(shù)據(jù)作為分級標(biāo)準(zhǔn),眼底彩色照相作為輸入訓(xùn)練的機(jī)器利用機(jī)器(M2M)DL方法來預(yù)測RNFL厚度,預(yù)測值與實(shí)際測量值之間的平均絕對誤差僅有7.39 μm。M2M模型區(qū)分青光眼和正常眼的能力與RNFL厚度相當(dāng),ROC-AUC值分別為0.940和0.944。Thompson等[15]利用SD-OCT Bruch膜開口-最小邊緣寬度(BMO-MRW)參數(shù)作為訓(xùn)練DL模型量化眼底彩色照相視盤損害的參考標(biāo)準(zhǔn),DL模型預(yù)測值與實(shí)際BMO-MRW值高度相關(guān)(r=0.880,P<0.001),兩者區(qū)分青光眼和正常眼的ROC-AUC值分別為0.945和0.933。以上研究顯示,這些方法具有使用客觀數(shù)據(jù)來代替主觀評估的優(yōu)點(diǎn),同時,這種通過使用眼底彩色照相來預(yù)測OCT數(shù)據(jù)實(shí)現(xiàn)了不同模態(tài)數(shù)據(jù)間的轉(zhuǎn)換。

自發(fā)性靜脈搏動幅度的改變和血柱變化均被證明與青光眼的發(fā)生發(fā)展有關(guān)[16],但單純的眼底彩色照相并不能顯示與血流相關(guān)的信息。為克服這一局限性,Gheisari等[17]將眼底視頻(圖像序列:以視盤為中心進(jìn)行至少5 s的視頻記錄,每秒30幀圖像)提交給CNN和遞歸神經(jīng)網(wǎng)絡(luò)(RNN)進(jìn)行處理,創(chuàng)建了一種復(fù)合模型,該模型區(qū)分青光眼和正常眼的ROC-AUC值為0.990。這種結(jié)合CNN和RNN從眼底圖像序列中提取時間和空間特征的方法可以顯著提高青光眼檢測的準(zhǔn)確性。

2.2 OCTOCT能夠獲得高分辨率的眼組織橫斷面圖像,提供RNFL、ONH和黃斑的多個解剖區(qū)域的客觀測量數(shù)據(jù),并且具有較高的重復(fù)性。Burgansky-Eliash等[18]是青光眼領(lǐng)域最早利用AI分析OCT數(shù)據(jù)的團(tuán)隊(duì)之一,研究以Stratus OCT輸出的38個參數(shù)為基礎(chǔ)訓(xùn)練了多個ML模型,這些模型識別青光眼的最大ROC-AUC值為0.981。在青光眼早期階段,不同部位的結(jié)構(gòu)改變及損傷程度往往不同步[19],傳統(tǒng)ML方法可以利用多個參數(shù)構(gòu)建復(fù)合模型來提高早期青光眼的診斷效率。Mwanza等[4]用16個SD-OCT定量參數(shù),包括5個視盤周圍RNFL厚度、8個神經(jīng)節(jié)細(xì)胞-內(nèi)叢狀層(GC-IPL)厚度和3個ONH參數(shù),構(gòu)建多變量Logistic回歸模型,同時使用分類年齡變量來控制受試者的年齡因素,建立一種綜合診斷模型,該模型的早期青光眼的預(yù)測性能(ROC-AUC值為0.960)及95%固定特異度下的靈敏度(85.4%)均高于OCT的單參數(shù)測量結(jié)果。與傳統(tǒng)ML方法不同,DL無需手工選取特征,可通過網(wǎng)絡(luò)自動學(xué)習(xí)輸入數(shù)據(jù)本身,并不斷調(diào)優(yōu)來建立輸入到輸出的函數(shù)關(guān)系,對OCT圖像這類高維數(shù)據(jù)具有強(qiáng)大的處理能力。Asaoka等[20]對94例早期青光眼患者和84名健康者的黃斑進(jìn)行SD-OCT掃描,利用獲取的 RNFL 及GC-IPL厚度值作為輸入數(shù)據(jù)集,訓(xùn)練了一種用于診斷早期青光眼的DL模型,結(jié)果顯示,該模型的ROC-AUC值為0.937,優(yōu)于隨機(jī)森林和支持向量機(jī)(ROC-AUC值分別為0.820和0.674) 這兩種傳統(tǒng)的ML方法。

OCT對結(jié)構(gòu)損傷的常規(guī)評估需要依賴傳統(tǒng)的分割技術(shù),但研究證明,OCT存在19.9%～46.3%的分割錯誤情況[21],為解決這一問題,Thompson等[2]訓(xùn)練了一種利用B-scan獲得的2D-OCT圖像來估計(jì)青光眼損害概率的DL方法,該方法不依賴于分割技術(shù),對于早期和有輕度視野受損的青光眼患者有較高的診斷準(zhǔn)確性,其ROC-AUC值為0.920。Maetschke等[22]使用CNN直接從原始3D-OCT數(shù)據(jù)集中學(xué)習(xí)有用的特征來完成青光眼和正常眼的分類(ROC-AUC值為0.940),同時通過類激活圖來觀察CNN認(rèn)為對于分類決策較重要的區(qū)域,結(jié)果提示,CNN主要根據(jù)神經(jīng)視網(wǎng)膜邊緣、視盤區(qū)、篩板及其周圍區(qū)域來識別青光眼,這些發(fā)現(xiàn)與目前已知的青光眼相關(guān)臨床特征一致[23],為DL所謂的“黑匣子”特征增加了臨床可解釋性。由于分割錯誤在OCT掃描中非常常見,當(dāng)應(yīng)用于臨床時,無分割的方法可能會更穩(wěn)健。除了結(jié)構(gòu)參數(shù),OCT血流圖像中還存在組織反射率、黃斑血流密度等[24]與青光眼相關(guān)的信息。Park等[25]采用人工神經(jīng)網(wǎng)絡(luò)聯(lián)合分析黃斑血流密度和視網(wǎng)膜神經(jīng)節(jié)細(xì)胞層(GCL)厚度,與單獨(dú)分析黃斑GCL厚度相比(ROC-AUC值為0.670～0.810),兩者聯(lián)合可以提高預(yù)測性能(ROC-AUC值為0.870)。

2.3 超聲生物顯微鏡和前段光學(xué)相干斷層掃描臨床工作中,通過超聲生物顯微鏡(UBM)和前段光學(xué)相干斷層掃描(AS-OCT)技術(shù)獲取高分辨率眼前段結(jié)構(gòu)圖像,可以協(xié)助閉角型青光眼的診斷。林松等[26]基于UBM圖像訓(xùn)練CNN自動識別房角開閉狀態(tài),ROC-AUC值為0.997,但數(shù)據(jù)樣本量較少,模型的泛化能力還需進(jìn)一步驗(yàn)證。Fu等[27]使用AS-OCT 橫斷面掃描圖像訓(xùn)練DL模型,并利用從相同圖像獲取的20個定量參數(shù)訓(xùn)練線性支持向量機(jī),輸入數(shù)據(jù)的標(biāo)記以眼科醫(yī)師的評估為準(zhǔn),結(jié)果顯示,使用線性支持向量機(jī)來檢測窄房角的ROC-AUC值為0.900,DL方法的ROC-AUC值為0.960;DL能夠發(fā)現(xiàn)更多與房角狹窄相關(guān),但眼科醫(yī)師無法觀察到的圖像特征,并表現(xiàn)出比定量參數(shù)更好的診斷性能。Li等[28]分別在暗室和不同照明條件下(暗和明)獲取3D AS-OCT圖像,根據(jù)房角鏡檢查結(jié)果對圖像進(jìn)行標(biāo)記,然后基于三維殘差網(wǎng)絡(luò)研發(fā)了一種可以自動區(qū)分房角寬、窄,以及判斷有無周邊前房粘連的“電子房角鏡”AI模型,該模型在國際多中心、多人種數(shù)據(jù)集中進(jìn)行了大量的驗(yàn)證,結(jié)果均顯示出較高的診斷水平(診斷房角寬、窄及房角粘連的ROC-AUC值分別為0.943、0.902)。這種模型可模擬房角鏡靜態(tài)及動態(tài)檢查,為利用AS-OCT圖像非接觸式自動評估閉角型青光眼提供可能。

2.4 視野視野檢查被廣泛用于評估青光眼的視功能損害。由于青光眼視野與結(jié)構(gòu)損害往往不同步[29],且視野檢查易受視力、心理等多因素影響,將青光眼引起的視野改變與正常眼及其他疾病導(dǎo)致的視野損害區(qū)分開來仍然有很大挑戰(zhàn)。利用視野檢查得到的數(shù)據(jù)集構(gòu)建AI模型始于1994年,Goldbaum等[30]發(fā)現(xiàn),人工神經(jīng)網(wǎng)絡(luò)聯(lián)合反向傳播方法在區(qū)分青光眼和非青光眼性視野改變方面可以產(chǎn)生與專家基本一致的正確率(67.0%)。DL通過自主學(xué)習(xí)也可以從視野中發(fā)現(xiàn)一些專家無法識別的隱藏信息,Li等[31]通過與人為評級、進(jìn)展期青光眼治療研究和加強(qiáng)版青光眼分期系統(tǒng)相比發(fā)現(xiàn),使用模式偏差圖訓(xùn)練的DL模型能夠更好地識別青光眼性視野改變,但是僅使用模式偏差圖作為輸入,模型只能區(qū)分視野是否為青光眼性改變,可能無法有效地識別出視野前青光眼。Asaoka等[32]將總偏差、平均偏差和模式偏差值作為預(yù)測因子創(chuàng)建的DL模型可以非常準(zhǔn)確地識別出視野前青光眼(ROC-ACU值為0.926)。

在不對數(shù)據(jù)集進(jìn)行標(biāo)記的情況下,Sample等[33]利用混合因子分析器模型擴(kuò)展后生成的變分貝葉斯混合模型,對345個視野進(jìn)行聚類分析,結(jié)果顯示,該方法能夠?qū)?8.0%的正常視野放置在同一集群中,并將青光眼性視野改變中4種重要的視野缺損模式分別放置在同一集群中,結(jié)果與青光眼專家和模式標(biāo)準(zhǔn)偏差相似的分類水平。Bowd等[34]將視野測試結(jié)果中52個視野測試點(diǎn)的絕對敏感度值作為輸入數(shù)據(jù)集,在無監(jiān)督條件下訓(xùn)練變分貝葉斯獨(dú)立成分分析混合模型(VIM)區(qū)分青光眼和非青光眼性視野改變,結(jié)果顯示,VIM的診斷特異性和敏感度分別為93.1%和82.8%。以上研究表明,無監(jiān)督的AI策略也可以有效地區(qū)分患者視野是否為青光眼性改變。

2.5 眼壓除眼壓升高外,晝夜眼壓波動較大也是青光眼發(fā)生發(fā)展過程中一項(xiàng)重要的獨(dú)立危險因素。利用隱形眼鏡傳感器(CLS)設(shè)備,可以記錄24 h眼球體積變化并評估眼壓波動[35]。Martin等[36]將來自CLS的11個參數(shù)及壓平式眼壓計(jì)測得的初始眼壓輸入到隨機(jī)森林中,與單獨(dú)使用CLS參數(shù)或初始眼壓相比,兩者組合具有明顯的協(xié)同效應(yīng),可以更加有效地區(qū)分原發(fā)性開角型青光眼和正常眼(ROC-AUC值為0.759),該結(jié)果同時也提示,眼球體積變化等眼生物力學(xué)改變可能也會促進(jìn)青光眼的進(jìn)展。

2.6 多模態(tài)影像的聯(lián)合分析青光眼病變復(fù)雜,功能和結(jié)構(gòu)損害不完全同步,僅單獨(dú)使用結(jié)構(gòu)或功能測量來檢測青光眼,可能會出現(xiàn)偏差[37]。AI聯(lián)合分析結(jié)構(gòu)和功能數(shù)據(jù),通過找出其中內(nèi)在聯(lián)系來更加全面反映病情的不同方面,有望進(jìn)一步提升青光眼診斷的準(zhǔn)確性。Brigatti等[38]使用神經(jīng)網(wǎng)絡(luò)聯(lián)合分析自動視野計(jì)參數(shù)(平均缺損、校正的缺損方差和短期波動) 和眼底彩色照相的結(jié)構(gòu)數(shù)據(jù)(杯盤比、視盤邊緣面積、視杯體積和RNFL厚度),該方法區(qū)分正常眼和早期青光眼的準(zhǔn)確率可達(dá)88.0%,初步展現(xiàn)了多模態(tài)分析的優(yōu)勢。Li等[28]使用2463組配對的標(biāo)準(zhǔn)自動視野計(jì)和三維OCT成像獲取的數(shù)據(jù),開發(fā)了一種多模態(tài)神經(jīng)網(wǎng)絡(luò)FusionNet,并在來自我國不同地區(qū)的青光眼和非青光眼數(shù)據(jù)中進(jìn)行了驗(yàn)證,結(jié)果顯示,FusionNet的青光眼診斷準(zhǔn)確率不僅優(yōu)于單模態(tài)網(wǎng)絡(luò),在不同OCT設(shè)備獲取的數(shù)據(jù)集上也取得了良好的診斷性能,表現(xiàn)出較好的泛化能力。

利用多模態(tài)數(shù)據(jù)間相關(guān)性還可以對不同類型的數(shù)據(jù)進(jìn)行轉(zhuǎn)換。目前已有研究嘗試?yán)媒Y(jié)構(gòu)信息來預(yù)測青光眼視野損害(GVFD)[39-40]。Christopher等[39]以SD-OCT視盤圖像作為輸入數(shù)據(jù),通過訓(xùn)練DL模型來區(qū)分有無GVFD,該模型識別GVFD的ROC-AUC值為0.880,檢測輕度GVFD的ROC-AUC值為0.820。Hashimoto等[40]利用CNN模型,根據(jù)SD-OCT測量的視網(wǎng)膜厚度,包括RNFL厚度、神經(jīng)節(jié)細(xì)胞復(fù)合體厚度、光感受器外節(jié)和視網(wǎng)膜色素上皮層總厚度來預(yù)測患者中心視野的總偏差值,其結(jié)果顯示,模型預(yù)測結(jié)果與實(shí)際視野測量結(jié)果的誤差為(5.4±7.0)dB。

3 存在的問題

雖然目前已有大量自動檢測青光眼的AI方法,并表現(xiàn)出較好的診斷效率,但總體仍存在以下問題:(1)DL的“黑匣子”特征一直是其臨床應(yīng)用的阻力之一,盡管一些研究[22,41]試圖通過可視化分割或類激活圖來提供結(jié)果的臨床可解釋性以了解圖像中不同區(qū)域?qū)ψ罱K診斷的影響,但這種工具還處于初級階段。(2)青光眼患病率、類型和嚴(yán)重程度在不同地區(qū)、種族、年齡和性別之間有所不同,目前所報告的大多數(shù)AI方法患者來源較單一,是否適用于不同來源人群仍需進(jìn)一步驗(yàn)證。(3)在監(jiān)督學(xué)習(xí)中,每個數(shù)據(jù)都被標(biāo)有明確的診斷來指示機(jī)器做出正確判斷,但青光眼的診斷目前尚缺乏統(tǒng)一定論,即使在專家與專家之間也顯示出相當(dāng)大的差異性[13]。(4)大多數(shù)AI研究都集中在二分類問題上,而在臨床環(huán)境中患者可能并存多種不同的眼部疾病。Choi等[42]利用眼底彩色照相訓(xùn)練DL模型,當(dāng)包含多種視網(wǎng)膜疾病時,檢測準(zhǔn)確率從87.4%下降到30.5%,這一結(jié)果表明隨著疾病數(shù)量的增加,模型的精確度下降。(5)不同的場所、不同檢查設(shè)備的分辨率、測試過程及獲取的圖像質(zhì)量,以及眼科醫(yī)師對于結(jié)果的判讀存在差異,這些均會對AI的預(yù)測準(zhǔn)確性及廣泛適用性造成影響。

4 總結(jié)

青光眼的臨床診斷主要基于對視神經(jīng)相關(guān)結(jié)構(gòu)及功能損傷的綜合評估,由于其發(fā)生發(fā)展的復(fù)雜性以及?？漆t(yī)師的短缺,目前青光眼的早期篩查及診斷仍有很大的不足。AI 應(yīng)用于青光眼的診斷具有明顯的優(yōu)勢,其可以作為一種安全機(jī)制,在提高青光眼早期篩查效率的同時將錯誤診斷的風(fēng)險降至最低。然而,若要進(jìn)一步增強(qiáng)AI診斷模型的穩(wěn)健性和適用性,未來的研究應(yīng)嘗試將更多的眼科因素(青光眼嚴(yán)重程度、其他眼部疾病)和非眼科因素(年齡、種族、不同成像設(shè)備)納入模型中進(jìn)行多模態(tài)綜合分析,并在大量且多樣化的數(shù)據(jù)集中進(jìn)行訓(xùn)練和驗(yàn)證。基于DL的“黑匣子”特征,還需要開發(fā)更多可以解釋AI模型的方法,以使AI模型的決策過程更加透明。另外,適用于不同質(zhì)量圖像的方法也亟待發(fā)展?？偠灾?雖然臨床與技術(shù)方面仍存在很多挑戰(zhàn),但相信隨著AI算法的不斷改進(jìn),配對多模態(tài)數(shù)據(jù)庫的擴(kuò)大,AI在青光眼真實(shí)世界中的診斷準(zhǔn)確性和可解釋性有望繼續(xù)提高,在臨床診療實(shí)踐中仍擁有廣闊的發(fā)展前景。