[医学杂谈]AI预测眼疾演变[21P] [复制链接]

人工智能，英文缩写为AI，大家应该不陌生，简单来说，就是想办法让机器像人一样思考和行动。
同样的道理，医学人工智能就是想办法让机器像我们医生一样思考，来为病人进行诊断和治疗。
这样讲，大家可能还是会觉得很抽象，那么，下面我给大家举一个例子，相信大家看完这个例子之后就会对我们眼科的AI有一个初步的印象。

我先请各位临时充当一下刚刚提到的“机器”，大家现在看这几张图片可能不知道这是要干啥，别急，那是因为还没有教会大家怎样像眼科医生一样来看病。
下面我把这几张图片的中间区域标记出来，然后再为他们配上一个标签。

左侧的代表正常情况，中间的这种情况我们称它为“全白内障”，右边的我们称它为“皮质性白内障”。
大家现在是不是在想，“哦，原来眼科医生是这样看病的，这不就是看图说话嘛，那我也会了。”
那行，下面就来给大家做一个测试。

给大家这样两张图片，是不是也可以前面学习到的依葫芦画瓢，完成诊断啦！

这其实就是我们开发眼科AI诊疗系统的一个非常简单过程。
我们知道，眼睛是位于人体体表的最重要的感觉器官，外界有90%左右的信息是通过眼睛来获取的。

同样，人工智能在眼科发展很快，也是因为眼部的图像和信息很容易获取并且类型多种多样，几乎涵盖了医学上常见的图像种类。
另外，现在的仪器设备自动化程度越来越高，很容易获取高质量的标准化的眼部医疗数据和图像。
还可以做到图像采集和筛查一体化，这样非常有利于各种AI的落地应用。
当然，我们眼睛还是唯一可以直接在活体上观察到血管和神经的体表器官，所以它不仅是心灵的窗户，也是全身健康状况评估的窗口。
比如通过观察这些血管的改变可以预测罹患心血管疾病的风险，通过观察神经的改变，还可以预测像“阿尔茨海默症”这样的神经系统疾病。

这些都是眼科AI发展迅速的独有的学科优势。
研究眼科AI的方法
我们先从近视开始，来向大家介绍我们是如何做眼科AI研究的。
大家都知道，我们国家近视的发病率一直居高不下，尤其是今年的疫情，虽然给各位放了一个超长假期。
但是，同时也让我们中小学生的近视率较去年年底增加了11.7%，单独看小学生的近视率增加更多，达到了15.2%。
从全球来看，预计到2050年，将有一半的人会是近视。

大家可能很焦虑，也很想知道上面这些问题的答案。
这些问题也是我们眼科医生在门诊一直都需要回答的。
由于以前的研究存在数据来源单一，样本量小和数据不连续等等问题，经常出现同样的问题，不同研究，结果不完全相同。
所以，有些问题还不能准确的回答。
现在我们有了大数据、人工智能这些新的方法，不仅可以改变传统的研究模式，还可以预测疾病的未来。
于是，我们收集了中山眼科中心10年的125万的有多次随访的验光结果来建立队列。

我在开始的时候向大家展示了AI研发的过程，大家就知道了，我们先要对这些数据进行提取、清洗和统计分析，寻找到其中的规律。
然后转换成机器能学会的语言，也就是建立算法模型，再对模型进行验证。
通过分析，我们发现，在6岁以前是会有低度数的远视，6岁半的时候跨过0度，7岁左右就逐渐向近视的方向发展。
随着用眼增多，度数逐渐加深，直到20岁左右可以稳定下来，度数一般是在600度以内，这种近视我们称之为学龄性近视。

这张图上大家还可以更加清楚地看到5-10岁这个年龄段是近视进展最快的时候，因此，提示我们，这段时间尤其要加大近视防控的力度。
下面这个深灰色代表的是高度近视的变化情况，可以看到它和学龄性近视还不一样，没有特定起始年龄和稳定年龄。
我们把眼睛的屈光状态分成这样四类之后，可以看到几种类型的具体变化数据，远视和正视表现出占比下降，中低度近视和高度近视都呈现出增加的趋势。

然后我们还计算出了高度近视和低中度近视每年变化的速度，大家可以看到高度近视进展更快，发展为病理性近视的风险更大。
什么是病理性近视呢？
就是那些有视网膜脱离、黄斑萎缩、出血等等眼底病变的近视，病理性近视出现致盲的几率就要比单纯近视大很多。
因此，如何准确的预测出高度近视的发生就显得非常的重要。

完成了前面的数据分析，我们就可以把它转换成机器能识别的语言，来建立模型。
我们采用的是随机森林的机器学习方法，通过大量的数据进行训练和验证，最后我们建立了高度近视风险的智能预测软件。

我们只需要输入前后两次检查的年龄和眼睛的屈光度数，很快就能得到10年以内的近视度数预测结果和发生高度近视的风险。
非常的方便快捷。
这个软件已经经过很多的验证，3年内预测的准确率在90%以上，10年内的准确率也有80%以上。
这一科研成果也以封面论文的形式发表在一个很老牌的国际期刊上，引起了广泛的关注。
为什么会近视
我们现在知道了近视的危害是发展成为高度近视后出现影响视力的并发症。

因此，我们近视防控有两个关键环节需要把握住：一是预防从正视发展为近视；二是控制近视度数的加深，不要发展成为高度近视甚至是病理性近视。
俗话说知己知彼才能百战百胜，所以要做好近视防控工作，我们还得清楚近视到底是怎么发生的。
很早以前的观念认为近视由遗传决定的。
但是从最近这些年近视发生速度这么快比率这么高来看，似乎不能简单的用遗传因素来解释。
其实在40多年以前，一位做神经科学研究的科学家就发现近视可能和视觉环境有关系。
当时他是在研究大脑皮层的功能，需要将小猕猴的一只眼睛的眼睑缝合起来，然后研究单眼视觉剥夺之后的大脑皮层效应。

但在这个过程中，他却偶然发现被缝合的这只眼睛长度变长了，并且出现了很高度数的近视。
这就像当年弗莱明因为一次实验的意外，最后发现了青霉素一样。
所以科研有时候就是这样的神奇，无心插柳却柳成荫。
后来发现不用缝合眼睑，只需要在眼睛前面戴一个眼罩或者毛玻璃镜片，让进入眼睛的图像清晰度和对比度明显下降，也会出现近视。
再后来，我们在一些眼科疾病比如上睑下垂、先天性白内障、角膜混浊、玻璃体积血等病人身上也发现了高度数的近视。
至此，我们知道了凡是能影响眼睛成像清晰度和对比度的视觉环境都有可能引起近视。
比如说，我们日常生活当中，如果女生刘海比较长，老是挡住眼睛；经常在光线不好的环境看书；经常走路的时候看书看手机、还有一些家长认为小孩近视了不要马上戴眼镜等等。
这些情况其实就是天天在拿自己的眼睛做动物实验，让它向近视发展。
所以我们一定要避免这些情况出现，才有利于近视的防控。
当然，除了这种情况以外，一位叫舍费尔的德国科学家还发现，在小鸡的眼前戴上一个高度数的近视镜片，让眼睛原本成像在视网膜上的焦点跑到眼睛后面去。

一段时间以后，小鸡的眼睛也会出现眼轴变长和相应度数的近视。
这种情况在我们临床上其实也可以找到类似的现象，比如我们的眼镜度数戴高了，比如我们长时间很近距离看书看手机写作业，调节功能不足。
也就是天天在给自己的眼睛做这个实验，让它形成近视和度数加深。
所以我们近视了配眼镜一定要把近视度数验准，然后再选择合适的框架和镜片。
近距离阅读的时候一定不要持续太长时间，最好是遵循20-20-20法则，养成良好的用眼习惯，更好的控制近视。

除了近视，在临床中我们也经常碰到3岁以下的小孩，以及还不会说话的小孩，也有视力不好的情况出现，比如说可能会有先天性白内障、青光眼、斜弱视等等。
那如何很方便快捷地为这些小朋友检查视力筛查眼睛疾病呢？
这是一个很棘手的临床和科研问题。
于是我们分析了在中山眼科中心就诊的患有各种眼部疾病的婴幼儿几千例上万小时的视频，提取出与这些眼病相对应的眼部特征和行为特征，并一一打上标签。
同时还收集了一大批正常婴幼儿的视频数据，然后建立模型并进行训练和不断优化迭代。
目前，我们这个模型已经做成了手机APP，大家只要上传一段家长抱着小孩看动画片的视频，就可以完成婴幼儿视功能的评估。
非常简单快捷，准确率超过了80%。

这一项成果非常具有开创性，得到了很多人的关注。
前面两个AI分针对的问题还比较单一，但是临床问题往往是很复杂的，因此，也对AI研发提出了更高的要求。
于是，我们大胆的提出了这样的算法设想。
将医学影像图片按照解剖部位和一些病理特征进行分割成很多小块，再为这些小块打上标签，然后再组合这些小块来诊断相应的眼部疾病或者其他系统的疾病。

就像这里显示的用这个叫做裂隙灯的拍的眼前部图片来进行上面这样的分割。
这和小朋友们玩的乐高积木很类似，只要我们拥有各种各样的乐高积木颗粒，就可以拼出自己想要的各种各样的模型来。
目前，我们开发的这个基于裂隙灯显微镜的AI诊疗系统就可以利用眼前段照片识别出20种解剖特征或病理改变，诊断多种眼部疾病。
比如结膜的炎症、角膜的病变以及白内障等等，多数准确率超过90%。
研究成果也于今年发表在了《自然生物医学工程》上。
医用AI存在的问题
当然，AI与其他许多技术一样，在实验室取得了成功，在实际应用的时候不一定能达到预期效果。
去年4月25日，谷歌的筛查糖尿病性视网膜病变的AI系统在泰国应用时就出现了翻车的情况。

比如，超五分之一的图像因为清晰度问题被系统拒绝识别，网络不畅造成图像迟迟无法上传，还有更多的时候系统无法给出明确的诊断结果等等。
我们团队在比较早就考虑到了这个问题，为此，我们还进行了全球首个让AI医生和人类医生进行PK的多中心随机对照临床研究。
结果也发现AI诊疗系统在实验室表现优异，临床使用时效果会有所下降。
因此，我们当时就提出了AI诊疗系统要进入临床应用，必须要为它制定一些标准，比如要适配各种检查设备，规范操作流程、图像的质量控制等等。

即便如此，现阶段，AI还需要和人类医生携起手来一起为大众服务。
其实，我们研发医疗AI还有一个宏愿。
我们知道，国家设计这样的三级诊疗模式是希望从一级到三级医院就诊人数是递减的。
也就是说常见病多发病尽量在一二级医院来就诊，疑难重症患者再到三级医院就诊。
但是目前的情况，恰恰相反，不管大病小病都到大医院，所以大医院人满为患，小医院基层医院却门可罗雀。
因此，我们提出了基于AI的医学影像诊断新型三级诊疗服务模式。

当然，我们需要首先开发针对各种疾病的AI诊疗系统，把它放在云端。
然后大家可以使用像智能手机、智能穿戴设备等等通用的智能设备，采集我们自己想要了解的身体某个部位健康情况的图像、视频以及其他各种指标。
然后上传到云端的AI诊疗系统完成初步筛查。
如果系统提示我们需要进一步检查的时候，我们就可以预约离自己所在位置最近的社区或基层医院。
再用专业的检查设备来采集相应部位的医疗数据，再次上传到云端的AI诊疗系统完成疾病的初步诊断。
如果还需要手术或者上一级医院诊断治疗的再到三级综合医院或者相应的专科医院就诊。
这样一来就可以形成一个漏斗型的三级诊疗服务模式，不仅可以节约大量的人力物力和财力，还可以充分地利用各级医疗资源。
我们相信这种模式会在不久的将来得到实现，应该来说会在我们在座的这些同学们这一代实现。
所以，衷心地希望你们努力学习，加入到我们这个行业里面来，一起实现我们这个宏愿，为我们祖国的医疗健康事业贡献一份力量。

您提供的信息非常全面，涵盖了人工智能在眼科领域的应用、近视研究、AI诊疗系统的开发以及未来医疗AI的发展方向。以下是对您分享内容的总结和补充：

1. 眼科AI的应用：通过图像识别技术，AI可以帮助医生进行眼部疾病的诊断，如白内障等。这种方法简单快捷，能够提高诊断效率。

2. 近视研究：利用大数据分析和机器学习技术，研究人员可以更准确地预测近视的发展，并为预防和控制近视提供科学依据。

3. AI诊疗系统：通过随机森林等机器学习方法，可以建立高度近视风险的智能预测软件，提高预测的准确性。

4. 婴幼儿视力筛查：通过分析视频数据，提取眼部特征和行为特征，建立模型进行训练，开发出手机APP，方便家长上传视频进行视功能评估。

5. 基于裂隙灯显微镜的AI诊疗系统：可以识别多种解剖特征或病理改变，诊断多种眼部疾病，准确率超过90%。

6. 医用AI存在的问题：在实际应用中可能会遇到图像清晰度、网络问题等挑战，需要制定标准和规范操作流程。

7. 基于AI的新型三级诊疗服务模式：通过云端AI诊疗系统，实现从初步筛查到专业检查再到综合医院治疗的分级诊疗，优化医疗资源配置。

您的分享不仅展示了AI在眼科领域的实际应用，也提出了未来医疗AI的发展方向和挑战。希望这些信息能帮助大家更好地理解AI在医疗领域的潜力和价值。

AI在眼科疾病诊断中的应用
人工智能（AI）在眼科疾病诊断中的应用已经取得了显著的进展。以下是AI在这一领域的几个关键应用和研究方向。

1. 眼底图像分析
AI技术可以通过分析眼底图像来诊断多种眼部疾病。例如，多尺度线检测和数学形态学技术可以高效精确地分割眼底图像中的血管，这对于诊断视网膜疾病非常重要1。此外，基于改进UperNet网络的ProNet自适应视网膜血管分割算法也展示了其在视网膜医学图像分割方面的潜力，这对临床诊断相关的眼部疾病至关重要。

2. 糖尿病视网膜病变的诊断
糖尿病视网膜病变是一种常见的并发症，AI可以通过优化全卷积编码器-解码器网络来进行糖尿病视网膜病变的分割，从而帮助医生评估病情的严重程度1。这种技术可以在印度糖尿病视网膜病变图像数据集（IDRiD）、糖尿病视网膜病变、高血压、老年性黄斑变性和青光眼图像（DR-HAGIS）和眼部疾病智能识别（ODIR）数据集上进行测试，并显示出优越的性能。

3. 视网膜血管分割
DT-Net是一种基于调制可变形卷积和Transformer的混合视网膜血管分割方法，它通过恢复图像信息并利用Transformer解码器块细化血管形态，从而提高了诊断的准确性。

4. 眼科疾病的综合诊断
AI还可以通过深度学习和新型混合损失函数来识别多种常见的眼科疾病，如白内障、青光眼和年龄相关性黄斑变性（AMD）。这些技术可以提高诊断的准确率，并且在实际应用中显示出良好的效果。

5. 多任务学习
PLDMLT是一种使用像素级标记眼底图像进行糖尿病视网膜病变的多任务学习方法，它专注于对糖尿病视网膜病变的眼底图像的严重程度进行分级。这种方法可以提高诊断的精确性和效率。

6. 人工智能辅助诊断技术的优势
AI辅助诊断技术在眼科疾病中的应用具有多种优势，包括提高诊断准确率、快速处理大量数据、降低医疗成本和辅助医生决策。这些技术可以减少漏诊和误诊，提高诊断效率，并且在临床实践中得到了广泛应用。

7. 人工智能辅助诊断技术的挑战
尽管AI在眼科疾病诊断中展现了巨大潜力，但仍面临一些挑战，如数据质量和标注问题、模型的可解释性和可靠性、医疗法规和伦理问题以及技术更新和维护成本。这些挑战需要在未来的研究和应用中得到解决。

总的来说，AI在眼科疾病诊断中的应用正在不断发展和完善，未来有望在提高诊断准确性和效率方面发挥更大的作用。