文章亮点
1. 关键发现
通过广泛搜集国内外数字眼科技术的发展，深入总结各项技术在各领域的革新进展。2. 已知与发现
眼科人工智能在疾病监测和远程诊断方面已迈入新的阶段。数字眼科技术的更新在手术设计和精密度提升方面取得较大进步。
多元化发展使得眼科发展更加具备创新性。
3. 意义与改变
数字眼科的蓬勃发展顺应了时代趋势，也改变了眼科诊疗的方方面面，必将带给眼科新的发展和机遇。
近年来，信息通信的多项关键数字创新技术飞速发展并不断成熟，创造了新世纪以来的高速发展纪录，为医疗健康行业开创了一个充满可能性的新时代，也彻底改变了医疗领域的方方面面，如从早期疾病监测到个性化计划诊疗到后期的预后改善。数字眼科学(digital ophthalmology)是一门囊括了第五代(5G)电信网络和物联网(IoT)、数字成像技术、人工智能(artificial intelligence,AI)等多个领域的跨专业学科 [1] ，为医学领域带来了前所未有的大变革，为开发新的护理模式提供了机会。对于眼科这一门严格基于成像技术和视觉数据分析的学科，数字眼科的优势更是体现得淋漓尽致，在AI、数字成像技术甚至多学科交叉发展方面也起到了推动发展的至关作用，拥有光明的前景与未来。本文在眼科AI的研究与发展方面选取了典型大类眼科疾病以及高发具体疾病进行详细论述，在数字成像技术方面筛选了近年来发展较为迅速的一些前沿眼科技术进行阐述，最后围绕眼科的多元化发展列举了眼科与其他学科交融的范例。
1 眼科AI的研究与发展
1.1 为诸多眼科疾病提供精准监测
1.1.1 视网膜病
AI在视网膜病诊断评估方面可以说是教科书级别的示范。基于光学相干断层成像(optical coherence tomography,OCT) 等图像的视网膜疾病筛查可实现快速区分正常眼和患病眼，使眼科医生更加专注于已确诊患者的诊疗和管理，大大提高了整体效率和准确性 [2] 。此外，作为影响众多糖尿病患者视力的罪魁祸首、视网膜病之一的糖尿病性视网膜病变(diabetic retinopathy, DR)的诊断，也引入了AI技术以提高筛查的准确率和效率。由美国食品药品监督管理局(Food and Drug Administration,FDA)批准的自主诊断系统利用眼底影像可对DR进行精确诊断和分类 [3] 。目前，最为常用的AI筛查技术为深度学习(deep learning,DL)，可运用多层的人工神经网络，从广泛的数据集理解复杂的模式，具备自动从视网膜图像中提取特征的能力，在没有人为干预和先验知识的情况下鉴别正常和异常的病例，达到了97.5%的灵敏度和93.4%的特异度，其高灵敏度和高特异度可以更好地筛查假阳性和阴性病例。不仅如此，从成本效率和临床影响的角度来比较，使用AI的DR筛查系统较传统方法都展现了其优越的性能特征 [2] 。我国是世界上成人糖尿病患者数最多的国家，患病率估计为10%~11% [4-6] ，造成了 DR 的高负担[7] 。DR正在成为我国最普遍的致盲疾病之一 [8] 。根据“健康中国2030”战略，国家正式提出需探索和实施高效的DR筛查策略，以“预防为主”为原则，积极推进慢性病早期筛查 [9] ，争取做到早筛查、早诊断、早治疗、早治愈。
1.1.2 角膜病
参考角膜地形图、前节OCT和Pentacam眼前节三维图像等数据，多个研究团队利用卷积神经网络(convolutional neural network,CNN)陆续开发出针对圆锥角膜的多个自动分级方法，其中KeratoDetect算法保证了高水平的性能，在数据测试集上获得了99.33%的准确率 [10-13] 。通过对活体共聚焦显微镜图像的自动识别，AI可精准、快速地诊断真菌性角膜炎 [14] 。类似地，通过AI分析角膜溃疡荧光染色图片，可自动识别角膜损伤区域，并进行严重程度分级 [15] 。近日，温州医科大学陈蔚教授团队 [16] 利用AI方法开发了基于裂隙灯照相数据的角膜炎自动诊断系统，在对正异常角膜区分的测试中，具备6年经验的资深角膜专家分别获得了为96.6% (95.4%~97.7%)、98.6%(97.8%~99.4%)和97.3% (96.3%~98.3%)的准确度；具备3年经验的角膜专家的准确度为98.3% (97.4%~99.1%)、96.2%(95.0%~97.5%)和95.2% (93.8%~96.5%)，而角膜炎自动诊断系统的准确率达到了96.3% (95.1%~97.5%)、 96.7%(95.5%~97.8%)和 98.2% (97.3%~99.0%)，其诊断灵敏度和特异度可与角膜专家媲美(P<0.05)，研究结果对于膜炎的早期监测、及时治疗和预后具有重要意义。
1.1.3 眼眶病
早在2002年，Salvi 等 [17] 基于不同程度甲状腺相关眼病 (thyroid-associated orbitopathy,TAO) 患者的眼科检查数据(如睑裂宽度、眼突度、视力、电子计算机断层扫描等) 进行了神经网络分析，开发出一种TAO分期和预测疾病进展的方法，准确率可达67%。近年研究报道了甲状腺相关眼病的新诊断和分级方法的发展，通过DL和图像分析实现了准确率均大于85%的目标 [18-19] 。在眼眶肿瘤方面，浙江大学附属第二医院眼科中心叶娟教授团队 [20] 深度挖掘眼睑良、恶性肿瘤的病理图片，开发了一种可深度鉴别良恶性肿瘤的深度学习系统(DLS)，对于组织病理切片的特异度、准确度和灵敏度达到了95.3%、94.9%和94.7%；7位经浙江大学医学院附属第二医院董事会认证的病理学家的平均特异度、准确度和灵敏度分别为(93.2±9.9)%、(92.5±6.2)%、(91.2±11.2)%，DLS成功提高了病理诊断准确性。
1.2 对高发疾病实施高效评估
1.2.1 近视
屈光不正是广泛的公共卫生问题，近视防控已经上升为国家战略，AI也在该领域应运而生。最近，中山大学刘奕志教授团队 [21] 利用AI分析学龄儿童的屈光大数据，成功开发了一种可准确预测儿童屈光度变化的方法，3年内准确率达90%，10年内准确率达80%以上，这对于有效防控和干预近视具有重大意义。在国外也开发了可预测近视的DLS，推导出三种不同模型——临床、图像和混合(临床＋图像)来预测5年后青少年(11~17岁)的高度近视发展情况。使用受试者操作特征曲线下面积(area under curve,AUC)，分别与测试数据集进行对比，评估模型性能。其中，临床模型的主要数据集 AUC为0.90~0.97，测试数据集为0.93~0.94；图像模型的主要数据集 AUC为0.93~0.95，测试数据集为0.91~0.93；混合模型的主要数据集 AUC为0.97，测试数据集为0.97–0.98，3种模型均达到临床可接受范围的性能 [22] 。此外，AI还可导角膜屈光手术和角膜塑形镜验配的选择 [23] ，从各层面优化了诊疗效率、精确度，为患者提供更舒心的就医体验。
1.2.2 青光眼
青光眼是一种视神经疾病，由房水循环阻滞导致，以视神经乳头凹陷加深及萎缩、病理性眼压增高等为特征，是导致全世界不可逆失明患者的主要原因。预计到 2040 年，全球青光眼患者将增加到 1.12亿 [24] 。此外，部分青光眼患者早期无症状的情况增加了筛查难度。积极实施青光眼监测和治疗刻不容缓。Shigueoka及其同事使用来自462例患者的14 034次的谱域光学相干层析成像技术(spectral domain OCT,SD-OCT)所获得数据作为DL模型的数据源，通过不断完善模型，现已可用于青光眼病程发展的监测 [25] 。以上说明，AI在实施低成本监测和优化早期治疗方面发挥了关键作用。
1.2.3 年龄相关性黄斑变性(age-related macular degeneration,AMD)
AMD是发达国家老年人视力减弱或丧失的主要原因。逐渐老龄化的社会需要一个可以对患者进行评估的、强有力的ＡI筛选系统。由于AMD具有慢性和复发性的特点，治疗过程中比较棘手的问题在于耗费时间和频繁地预约检查。因此，英国采用了虚拟诊所的诊疗方式，患者可以在虚拟诊所进行视力复查和OCT检查等基本就诊步骤，有效减少了平均预约时长。此外，家庭监测和个人保健已成为趋势，许多具备高灵敏度的家庭监测设备获得了群众和医生的青睐。例如可用于AMD监测、由瑞士眼科医生马克 • 阿姆斯勒(Marc Amsler)开发的阿姆斯勒表已成为眼科家庭监测的代表。通过患者定期的自我监测，可以及时发现诸如视力下降、视物变形、暗点等疾病前兆，获得进一步诊断和治疗的先机，相较于传统的定期复查，自我监测的过程使得整体的治疗过程更加富有弹性和个性化，赋予患者更大的自主权。遗憾的是，目前仍未有相关的临床数据提供参考对照 [1] 。
1.2.4 白内障
AI在提高患者白内障监测效率和质量方面拥有巨大潜力，优化了诊断流程并提升了准确度。基于裂隙灯照片的算法成功问世，实现了小儿白内障的分级诊疗，运用支持向量机(support vector machine,SVM)和softmax分类器与传统的医疗模式相比较，在特异度、灵敏度、平均准确度这3个方面均表现出了优异性能——位置(89.28%、82.70%和93.08%)、分类(97.07%、97.28%和96.83%)、三度分级区域(89.02%、86.63%和
90.75%)、密度(92.68%、91.05%和93.94%) [26] ，为更多患者提供了快速、及时的诊疗机会。
1.3 远程医疗带来先进的技术支持
远程医疗是指综合利用电信技术，对远程患者进行监测和咨询，促进及时干预。远程医疗可以平衡人民日益增长的医疗需求与城乡资源结构不均匀之间的矛盾，具有广阔的应用前景和发展空间，近年来在眼科疾病筛查方面也取得了很大进展。
1.3.1 用于DR远程医疗筛查治疗的AI技术进展
一直以来，DR远程筛查都是提高诊疗效率的关键点。对此，一些发达国家提出培养训练有素的视网膜分级师，综合利用AI进而衍生发明出电话眼底(fundus on phone,FOP)视网膜成像算法，实现了临床医生和卫生人员的工作分级，扩大了筛查覆盖率，解决了不同地区资源分配不均衡的问题[1]。早在2010年，新加坡就已经设立了国家级的远程医疗DR筛查计划——新加坡综合 DR 计划(Singapore Integrated Diabetic Retinopathy Programme,SiDRP)[27]。通过远程医疗平台传送视网膜照片，使得大多数患者在1 h内即可接收到报告，极大程度地缩短就诊时间和降低医疗成本[1]。除此以外，以DR筛查为目的的营利性公司有部分已经上市，IDx-DR是第一且是唯一获得FDA授权的自主AI诊断系统[1]。
1.3.2 用于早产儿视网膜病变(retinopathy of prematurity, ROP)远程医疗筛查诊疗的AI技术进展
ROP是一种视网膜增生性疾病，若没有得到及时良好的治疗，或可能恶化为牵引性视网膜脱离(retinal detachment,RD)，严重者可出现视力完全丧失。早期筛查和及时治疗已被证实为有效的防范手段。然而，在ROP筛查方面仍然存在许多挑战和不足。如在美国，只有 11% 的眼科医生能够使用双目间接检眼镜进行 ROP 筛查，甚至更少 (6%) 眼科医生能够对 ROP 进行激光光凝术[28]。因此，提升ROP 筛查的远程医疗技术非常必要。有不少行业领先单位已经成功开发出相关诊疗模型并取得了进展。Brown等[29]构建了基于DL的算法用于ROP诊断,在包含 100 张图像的独立测试集上，该算法实现了 91% 的准确率和 0.92 的二次加权κ系数，在8名参与测试的ROP专家中仅2名超过了该正确率，该算法的可靠性得到了证实。因此，ROP远程筛查可促进有限的医疗资源更有效和公平地分配，为身处异地的患者提供了较为精确的诊断，带来了便捷与可信。
当然，任何技术的发展都是挑战与机遇并存的。尽管AI的优势非常明显，但在医疗伦理、技术风险、评价标准、建立数据库等方面仍然存在需要改进提升的部分。例如，AI缺乏公认的评价标准，当分析结果与医生判断结果存在差异时也缺乏可解释性，但一项技术的成熟，往往需要时间和经验的积淀。
当然，任何技术的发展都是挑战与机遇并存的。尽管AI的优势非常明显，但在医疗伦理、技术风险、评价标准、建立数据库等方面仍然存在需要改进提升的部分。例如，AI缺乏公认的评价标准，当分析结果与医生判断结果存在差异时也缺乏可解释性，但一项技术的成熟，往往需要时间和经验的积淀。