EN / 中文
您的位置： 首页 > 2023年10月 第38卷 第10期 > 文字全文
2023年7月 第38卷 第7期11
目录

人工智能白内障协同管理的通用平台

Universal artificial intelligence platform for collaborativemanagement of cataracts (authorized Chinese translation)

来源期刊： 眼科学报 | 2023年10月 第38卷 第10期： 665-675 发布时间：2023-10-15 收稿时间：2024/2/4 16:17:07 阅读量：3953
作者：
WU Xiaohang,
HUANG Yelin,
LIU Zhenzhen,
LAI Weiyi,
LONG Erping,
ZHANG Kai,
JIANG Jiewei,
LIN Duoru,
CHEN Kexin,
YU Tongyong,
WU Dongxuan,
LI Cong,
CHEN Yanyi,
ZOU Minjie,
CHEN Chuan,
ZHU Yi,
GUO Chong,
ZHANG Xiayin,
WANG Ruixin,
YANG Yahan,
XIANG Yifan,
CHEN Lijian,
LIU Congxin,
XIONG Jianhao,
GE Zongyuan,
WANG Dingding,
XU Guihua,
DU Shaolin,
XIAO Chi,
WU Jianghao,
ZHU Ke,
NIE Danyao,
XU Fan,
LV Jian,
CHEN Weirong,
LIU Yizhi,
LIN Haotian,
关键词：
DOI：
10.12419/2310240001
收稿时间：
 
修订日期：
 
接收日期：
 
目的：建立和验证一个涉及多级临床场景的白内障协作通用的人工智能(artificial intelligence,AI)管理平台，探索基于AI的医疗转诊模式，以提高协作效率和资源覆盖率。方法：训练和验证的数据集来自中国AI医学联盟，涵盖多级医疗机构和采集模式。使用三步策略对数据集进行标记: 1)识别采集模式；2)白内障诊断包括正常晶体眼、白内障眼或白内障术后眼；3)从病因和严重程度检测需转诊的白内障患者。此外，将白内障AI系统与真实世界中的居家自我监测、初级医疗保健机构和专科医院等多级转诊模式相结合。结果：通用AI平台和多级协作模式在三步任务中表现出可靠的诊断性能: 1)识别采集模式的受试者操作特征(receiver operating characteristic curve,ROC)曲线下面积(area under the curve,AUC)为99.28%~99.71%)；2)白内障诊断对正常晶体眼、白内障或术后眼，在散瞳-裂隙灯模式下的AUC分别为99.82%、99.96%和99.93%，其他采集模式的AUC均 > 99%；3)需转诊白内障的检测(在所有测试中AUC >91%)。在真实世界的三级转诊模式中，该系统建议30.3%的人转诊，与传统模式相比，眼科医生与人群服务比率大幅提高了10.2倍。结论：通用AI平台和多级协作模式显示了准确的白内障诊断性能和有效的白内障转诊服务。建议AI的医疗转诊模式扩展应用到其他常见疾病和资源密集型情景当中。
Objective: To establish and validate a universal artificial intelligence (AI) platform for collaborative management of cataracts involving multilevel clinical scenarios and explored an AI-based medical referral pattern to improve collaborative efficiency and resource coverage. Methods: The training and validation datasets were derived from the Chinese Medical Alliance for Artificial Intelligence, covering multilevel healthcare facilities and capture modes. The datasets were labelled using a three step strategy: (1)capture mode recognition; (2) cataract diagnosis as a normal lens, cataract or a postoperative eye and (3) detection of referable cataracts with respect to aetiology and severity. Moreover, we integrated the cataract AI agent with a real-world multilevel referral pattern involving self-monitoring at home, primary healthcare and specialised hospital services. Results: The universal AI platform and multilevel collaborative pattern showed robust diagnostic performance in three-step tasks: (1) capture mode recognition (area under the curve (AUC) 99.28%–99.71%), (2) cataract diagnosis (normal lens, cataract or postoperative eye with AUCs of 99.82%, 99.96% and 99.93% for mydriatic-slit lamp mode and AUCs >99% for other capture modes) and (3)detection of referable cataracts (AUCs >91% in all tests). In the real-world tertiary referral pattern, the agent suggested 30.3%  of people be ’referred’, substantially increasing the ophthalmologist-to-population service ratio by 10.2-fold compared with the traditional pattern. Conclusions: The universal AI platform and multilevel collaborative pattern showed robust diagnostic performance and effective service for cataracts. The context of our AI-based medical referral pattern will be extended to other common disease conditions and resource-intensive situations.

由于低收入和中等收入国家的医疗资源水平不足且分布不均衡，目前的医疗体系在管理常见疾病方面远远不能令人满意[1]。随着电子病历、数字化医疗设备、可穿戴监护仪和患者门户网站的发展，远程医疗服务在促进远程患者的评估、诊断和管理方面显示出巨大的潜力[2-3]。然而，远程医疗在眼科的应用目前还处于起步阶段。目前的眼科远程服务主要通过“存储和转发”方法进行，依赖于医院已经负担过重的专家来执行额外的任务[4]。因此，患者、初级医疗保健机构和医院之间更高效、更有效的合作模式仍有待探索。
人工智能(artificial intelligence,AI) 在远程眼科学领域有巨大的前景。近年来，医学人工智能已从理论走向实际临床应用[5-6]。医疗AI的优势包括降低医疗成本和提高诊断和治疗效率[7]。2018年4月，美国食品药品监督管理局批准了首款基于人工智能的设备“IDx-DR”的应用，以帮助检测某些糖尿病相关的眼病[8]。然而，IDx-DR在准确检测复杂病例方面存在不足，可能导致误诊和漏诊[9]。因此，必须提高医疗AI在数据分析和决策方面的能力，并将当前的AI技术整合到初级医疗服务中，以提高患者覆盖率。白内障是全世界视力(visual acuity,VA)受损的主要原因，在低收入和中等收入国家，白内障占失明病例的50%以上[10]。大多数白内障与年龄有关[11]，有些还与系统性疾病[12]、创伤[13]和先天因素有关[14]。随着全球人口老龄化趋势，白内障的发病率预计将持续增加[15]。到2050年，预计中国白内障失明病例将达到2 000万例。然而，医疗资源的分配对白内障的诊断和管理还远远不能令人满意，特别是在低收入和中等收入国家的初级医疗机构[16]。白内障的早期诊断和及时管理对于提高患者的生活质量和减轻医疗负担至关重要[17]。我们的团队开发了用于先天性白内障管理的AI平台[18]，既往研究也侧重于通过深度学习来对年龄相关白内障进行识别和分级[19]。然而，目前没有一种通用于白内障管理的AI系统，能够识别不同的捕获模式、病因和治疗阶段。在本研究中，我们建立并验证了一个涉及多级临床场景的通用AI白内障协同管理平台。更重要的是，我们研究了一种基于AI的医疗转诊模式，以提高协作效率和医疗资源覆盖率。

1 方法

1.1 AI系统训练的数据集收集和标记

本研究训练集来自中国AI医学联盟(the Chinese Medical Alliance for Artificial Intelligence,CMAAI)正在进行的全国白内障筛查项目当中的37 638张裂隙灯照片，其中包括正常晶状体、不同严重程度和病因的白内障眼以及白内障术后眼的裂隙灯照片。CMAAI是AI领域由医疗机构、计算机科学研究团队和企业组成的联盟，旨在促进AI在医学中的研究和转化应用。在2016—2017年间，白内障AI系统使用与CMAAI队列相同的筛查计划来进行验证，包括来自合作医院和社区医疗中心的另外四个多中心队列外部验证数据集。S1补充表中展示了训练和验证数据集的人口统计学数据和汇总。
经过测试后，对使用过训练数据集训练的模型进行验证。用于训练的数据集未用于测试。经过训练后的深度学习模型在任何验证程序之前均被冻结。由一个对专家小组标记信息不知情的人对带有时间标记的深度学习预测结果进行验证和保存，以确保当预测结果与专家小组确定的分类进行比较时，信息没有泄漏和偏倚(图1)。
图1 白内障AI系统训练的总体流程图
Figure 1 Overall training pipeline for the cataract artificial intelligence (AI) agent
(a)数据集包括来自CMAAI的10 257例病例的37 638张图像(30 132张图像用于AI系统训练，7 506张图像用于验证测试),每张图像由2名有经验的眼科医生独立描述和标记，如有分歧则咨询第3名眼科医生；(b)所有的37 638张图像及其采集模式和诊断，用于训练白内障AI系统；(c)使用经过训练的白内障AI系统与合作医院联合建立多中心验证系统。
(a) The dataset included 37 638 images of 10 257 cases from the Chinese Medical Alliance for Artificial Intelligence (CMAAI) (30 132 images for agent training, 7506 images for the validation test). Each image was independently described and labelled by two experienced ophthalmologists, and a third ophthalmologist was consulted in case of disagreement. (b) All 37 638 images, accompanied by capture modes and diagnosis labels, were used to train the cataract AI agent. (c) The trained cataract AI agent was used to establish a multicentre validation system in conjunction with collaborating hospitals.
已验证包含晶状体区域的照片能够用于训练。对于成像的像素或设备没有特定的要求。每张照片都由两名经验丰富的眼科医生(XH、WL和WY)独立描述和标记，如果前两名医生之间出现分歧，则会咨询第三名眼科医生(ZZ、WL)。对专家小组进行屏蔽，他们无法得知深度学习的预测结果。关于预处理，采用自动切割来最大限度地减少晶状体周围的干扰，并进行自动转换将图像保存为224×224像素的大小。图片采集时使用了多种型号的裂隙灯，包括BQ-900、BX-900、OVS-Ⅱ和PSL-Classic。本研究已在美国临床试验注册库注册(注册号：NCT03623971)。

1.2 AI系统的白内障诊断和管理模型

白内障AI系统设计执行以下步骤。在步骤1中，将裂隙灯照片分为四种独立的捕获模式：散瞳-弥散光、散瞳-裂隙光带、非散瞳-弥散光和非散瞳-裂隙光带。在步骤2中，每张照片被诊断为正常晶体眼、白内障眼或白内障术后眼。在第3步中，根据转诊或随访的管理设计方案，分析病因分类和白内障严重程度，以进一步细分每一张诊断照片。AI系统用于诊断和管理的逻辑流程如图2所示。A对于在散瞳条件下拍摄的图像，瞳孔应至少为5 mm。儿童白内障的视轴混浊(VAO)或后囊混浊(PCO)定义为视轴直径3 mm范围内的混浊。成人白内障的严重程度主要通过晶状体混浊分类系统Ⅱ[20]，核混浊级别(Ⅰ~Ⅳ)进行评估。核混浊分级为Ⅲ或Ⅳ的白内障被定义为严重白内障或“转诊”；否则，它被定义为轻度白内障。如果主要评估决定是核混浊分级为Ⅰ~Ⅱ的轻度白内障，则进行二次评估以检测显著的PCO或前囊混浊(ACO)，这也被定义为转诊条件。
图2 白内障诊断和管理的逻辑流程
Figure 2 Logic flow for cataract diagnosis and management
白内障AI系统旨在进行以下步骤。在步骤1中，将裂隙灯照片区分为4种单独的捕获模式：散瞳-弥散光、散瞳-裂隙光带、非散瞳-弥散光和非散瞳-裂隙光带。在步骤2中，将每张照片归类为正常晶状体眼、白内障眼或白内障术后眼。在步骤3中，针对转诊或随访的管理策略，从病因学分类和白内障严重程度对确诊的照片进一步细分。
The cataract artificial intelligence agent was designed to perform the following steps. In step 1, slit lamp photographs were classified into four separate capture modes: mydriatic-diffuse, mydriatic-slit lamp, non-mydriatic-diffuse and non-mydriatic-slit lamp. In step 2, each photograph was classified as a normal lens, a cataract or a postoperative eye. In step 3, aetiological classification and cataract severity were considered to further subclassify each photograph with respect to a management strategy of referral or follow-up. ACO, anterior capsular opacification; PCO, posterior capsular opacification; VAO, visual axis opacification.

1.3 用于训练和分类的深度学习卷积神经网络

ResNet用于该项目中的图像分类任务。在2015年的ImageNet大规模视觉识别挑战赛的分类任务中，该算法表现最佳[21]。ImageNet是一个图像数据库，旨在衡量和比较不同算法在解决图像识别问题方面的进展。
本文中使用的ResNet的架构如在线补充图1所示，由16个残差块组成，每个残差块由三个卷积层组成，分别是具有不同通道数的1×1、3×3和1×1卷积。1×1卷积负责减少和增加通道的维数，3×3卷积是主要的处理单元。总的来说，ResNet框架包含50个卷积层和2个池化层。使用三维内核和三个输入通道上的对应像素之间的卷积来计算每个输出通道上的每个像素。如果输入通道的数量是N，那么内核将是N维的。
最大池化层和批量归一化层[22]也被纳入提取器中。最大池化层用于对图像进行下采样，获得更精炼和全局的特征，并使用批量归一化加速训练过程。根据文献中最广泛使用的激活方法，所有激活都是校正的线性单位。使用随机梯度下降来训练网络。此外，在训练前，通过随机旋转、平移、裁剪和翻转，进行数据扩充以平衡不同类别的数据(图1)。
本研究中应用的ResNet是一个单任务深度学习模型。用ResNet网络分别训练不同的目标(模式识别、白内障诊断、严重程度评估)，每个任务对应一个目标。预训练权重不用于模型训练。不使用分数阈值的区分方法，而直接使用softmax层来取对应于最大值的类别。
实验环境使用the Ubuntu 16.04.2 LTS 64-bit, Convolutional Architecture for Fast Feature Embedding (Caffe)框架和 Compute Unified Device Architecture搭建。

1.4 数据分析

使用以下公式计算评价指标，准确度(accuracy, ACC)=(TP+TN)/(TP+TN+FP+FN)、灵敏度(sensitivity,SEN)=TP/(TP+FN)和特异度(specificity,SPE)=TN/ (TN+FP)计算的，其中TP(true positive)是真阳性，TN(true negative)是真阴性，FP(false positive)是假阳性，FN(false negative)是假阴性。计算渐近双侧95%CI，并经患者聚类校正后以比例(敏感性、特异性、阳性预测值和阴性预测值)和ROC AUC表示。采用R统计软件包V.3.2.4绘制ROC。

2 结果

在CMAAI的训练和验证数据集中的37 638个图像(18 819只眼)中，分别有20.5%的正常晶体眼、44.7%的白内障眼和34.7%的白内障术后眼。在诊断为白内障的图像中，轻度白内障(核Ⅰ~Ⅱ级)和重度白内障的检出率分别为53.6%和46.4%。每种捕获模式的图像分别占总数的26.52%(散瞳-弥散光)、26.52%(散瞳-裂隙光带)、26.52%(非散瞳-裂隙光带)和20.44%(非散瞳-弥散光)(表2)。
白内障AI系统旨在执行以下步骤。在步骤1中，白内障AI系统区分四种捕获模式，散瞳-弥散光、散瞳-裂隙光带、非散瞳-弥散光和非散瞳-裂隙光带的AUC分别为99.36%、99.28%、99.68%和99.71%(图2)。
在步骤2中，系统诊断正常晶体眼、白内障眼或白内障术后眼，在散瞳-弥散光模式下，AUC分别为99.67%、99.93%和99.93%；散瞳-裂隙光带模式下AUC分别为99.82%、99.96%和99.93%；非散瞳-弥散光模式下AUC分别为99.26%、99.19%和98.99%；非散瞳-裂隙光带模式下AUC分别为99.30%、99.38%和99.74%(图3和表3)。
图3 白内障诊断深度学习系统(白内障眼、正常眼或白内障术后眼)的ROC曲线和AUC
Figure 3 ROC curves and AUCs of the deep learning system for cataract diagnosis (cataract, normal or postoperative eyes)
在不同的捕获模式下对数据集进行训练和验证：(a)散瞳-弥散光图像；(b)散瞳-裂隙光带图像；(c)非散瞳-弥散光图像；(d)非散瞳-裂隙光带图像。
The datasets were trained and validated in separate capture modes: (a) mydriatic-diffuse images; (b) mydriatic-slit lamp images; (c) non-mydriatic-diffuse images; (d) non-mydriatic-slit lamp images.
在步骤3中，针对转诊或随访的管理策略，从病因学分类和白内障严重程度对确诊的照片进一步细分。对于成人白内障(年龄>18岁)，系统评估白内障严重程度的AUC分别为98.84%(散瞳-弥散光)、99.15%(散瞳-裂隙光带)、93.28%(非散瞳-弥散光)和98.38%(非散瞳-裂隙光带)。在成人轻症患者中(核Ⅰ~Ⅱ级 )，检测到需转诊的PCO/ACO的AUC为94.88%。在儿童白内障(年龄< 18岁)中，检测到需转诊的VAO的AUC为100.00%。在白内障术后眼中，检测到需转诊PCO的AUC为91.90%(图4和表4)。为了远程实时监测患者的病情，我们应用Django框架建立了白内障诊断的网络平台(V.1.11.16,http://www.django-project.com/)。该诊断系统免费提供网络服务，网址为114.67.37.172:20592。在选择了年龄范围(年龄< 18岁或≥18岁)和诊断模块(特别是后部反光照明图片的PCO诊断)后，用户可以从文件中选择图像来上传新病例。网站上将显示输出结果，包括捕获模式、白内障诊断、严重程度评估和转诊建议。为避免误诊，医生每周根据分类对所有正常病例进行评估，并在必要时与患者沟通。由于逻辑语义可以根据最新的诊断指南进行更新，平台的诊疗决策可以随着时间更新，以满足最新的诊断标准。对于希望测试该网络平台的用户，我们还提供了20个典型的样本病例，以供在网站上下载。
图4 深度学习系统在需转诊白内障的疾病严重程度和转诊原因方面的ROC 曲线和AUC
Figure 4 ROC curves and areas AUCs of the deep learning system for referable cataracts regarding disease severity and aetiology
(a)成人白内障严重程度评估的深度学习系统。根据目前临床中应用的 Emery 核分级系统，轻度白内障(不转诊)被定义为核Ⅰ~Ⅱ 级，重度白内障(需转诊)被定义为核Ⅲ~V 级。(b)基于不同病因和诊断的需转诊白内障检测的深度学习系统。需转诊白内障是指轻度成人白内障出现明显的囊下混浊 (PCO/ACO)，儿童白内障出现VAO，或术后眼出现VAO。
(a) The deep learning system for adult cataract severity evaluation. according to the Emery nuclear grading system in current practice, mild cataract (non-referable) is defined as nuclear I–II, and severe cataract (referable) is defined as nuclear III–V. (b) The deep learning system for the detection of referable cataracts based on different aetiologies and diagnoses. Referable cataracts were defined as significant subcapsular opacification (PCO/ACO) in mild adult cataracts, VAO in paediatric cataracts or VAO in postoperative eyes. ACO, anterior capsular opacification; PCO, posterior capsular opacification; VAO, visual axis opacification.
为了将白内障AI系统与真实世界临床实际情况相结合，我们建立了一种新型的三级转诊医疗保健模式，包括家庭自我监测、初级医疗保健机构和专科医院服务。如图5所示，在最基础的第一级，通过用户的移动设备收集信息来进行自我监测。这些信息包括注册所需的基本人口统计数据、VA和简要病史，基于这些信息，筛选主诉为VA下降或视物模糊者，转诊至第二级；患者家属可以拍摄患者的眼睛外观照片提交给系统。如有必要，可参考这些照片辅助评价眼表状况。在第二级，基于自我监测结果筛出的可疑病例被转诊至社区医疗保健机构，在此通过裂隙灯显微镜获取眼前节图像。白内障AI系统通过分析诊断和需转诊条件提供综合评估，然后将所获得的信息保存在数据库中。在第三级，如果AI系统认为该白内障患者符合“转诊”条件，则启动快速通道通知系统，并将通知发送给医生立即确认。随后告知患者根据CMAAI的程序进行全面检查。此外，CMAAI的医生每周检查一次所有病例，确保白内障AI系统的结果准确。
作为三级转诊系统的重要环节，本项目在中国广州市越秀区四个独立的社区卫生服务中心(白云街、珠光街、东山街和黄花岗街)建立了白内障AI门诊中心。这些社区卫生服务中心此前均未购置任何眼科检查仪器或提供任何眼科服务。在每个白内障AI门诊，收集居民的眼前节图像(在裂隙灯和弥散模式下)，VA和病史信息，并上传至基于网站的云平台，平台会将AI诊断和转诊决策发送至每个居民的移动终端。在未散瞳-裂隙光带捕获模式下，白内障AI门诊中心对正常眼、白内障眼和术后晶状体眼诊断的AUC分别为94.35%、95.96%和99.64%。此外，这些门诊中预测白内障严重程度的AUC为91.51%。作为外部验证白内障AI门诊在真实世界的性能见表1。

表1 白内障AI门诊中心在真实世界的三级转诊模式中的诊断性能汇总统计

Table 1 Summary statistics for the diagnostic performance of the cataract AI ambulatory site in a real-world tertiary referral pattern

图5对新型三级转诊系统与传统模式的人口覆盖率和医疗资源进行了比较。在左侧面板中，中山眼科中心的白内障门诊被作为白内障管理的传统医疗系统的一个例子。由于2017年有8万名门诊患者由20名专家提供服务[23]，1名眼科医生一年可为4 000人提供服务。但在传统的医疗系统中，眼科医生只在二级或三级医院工作，而初级医疗保健仍然无力为居民提供眼科医疗服务。右侧面板显示了新型三级转诊系统的情况。该试验点研究由三名眼科医生半年内为越秀区61 210名居民进行。因此，1名眼科医生一年可为40 806人提供服务，使眼科医生与人口的服务比例比传统模式高10.2倍。在为期半年的预试验期间(2018年1—6月)，61 210名居民中的3 600人(5.9%)在社区医疗中心的AI门诊部接受了眼科检查，在对AI和眼科医生的诊断进行双重检查后，1 090名居民(1 090/3 600, 30.3%)被转诊到眼科门诊进一步治疗。
图5 基于白内障 AI 系统的新型三级医疗转诊系统与传统医疗系统进行比较
Figure 5 Novel tertiary healthcare referral system based on the cataract AI agent and comparison with the traditional healthcare system
在左侧图中，以中山眼科中心白内障门诊为例，展示了传统的白内障管理医疗体系。2017年20名专科医生服务了8万名门诊患者，1名眼科医生一年可以服务4 000人。右侧图展示了新型三级转诊系统的运行机制。在Ⅰ级，通过用户的移动设备收集信息，包括注册的基本人口统计学项目、VA和简要病史，用于自我监测。在Ⅱ级，基于自我监测的可疑病例被转诊至基于社区的医疗保健机构 (3 600/61 210；5.9%)，通过裂隙灯显微镜获得眼前节图像。白内障AI系统通过分析诊断和需转诊条件提供全面评估，然后将所获得的信息保存在数据库中。在Ⅲ级，如果 AI 系统判定白内障是“转诊”，则触发快速通道通知系统，并将通知发送给医生立即确认。随后告知患者 (1 090/3 600,30.3%) 应按照 CMAAI 的程序进行全面检查。试点研究由3名眼科医生在半年内为越秀区61 210名居民开展。因此，1名眼科医生一年可服务40 806人。
In the left panel, the cataract clinic of Zhongshan Ophthalmic Center is used as an example of a traditional healthcare system for cataract management. Since there were 80 000 outpatients served by 20 specialists in the year 2017, 1 ophthalmologist can serve 4 000 persons in a year. The right panel shows the operating mechanism of the novel tertiary referral system. At level I, the information including basic demographics items for registration, visual acuity (VA) and a brief case history were collected by users' mobile device for self-monitoring. At level II, suspicious cases based on self-monitoring are referred to community-based healthcare facilities (3 600/61 210; 5.9%), where anterior segment images are obtained by slit lamp microscopes. The cataract AI agent provides a comprehensive evaluation by considering the diagnosis and referable conditions and then saves all of the obtained information in a database. At level III, if the AI agent decides that the cataract is a ‘referral’, a fast-track notification system is triggered, and a notification is sent to the doctors for immediate confirmation. Patients (1 090/3 600, 30.3%) were then informed that they should undergo a comprehensive examination according to the procedures of the Chinese Medical Alliance for Artificial Intelligence. The pilot study was operated by three ophthalmologists for the 61 210 residents in Yuexiu District within half a year. Accordingly, 1 ophthalmologist can serve 40 806 persons in a year.

3 讨论

本研究建立并验证了一种深度学习算法，该算法采用三步策略实现了白内障的协同管理：1)采集模式识别；2)白内障诊断；3)从病因和严重程度检测需转诊的白内障患者需转诊。在所有测试中，白内障AI系统检测的采集模式和白内障诊断的AUC均大于 99%。对于需转诊的白内障的检测，白内障AI系统均达到91%以上的AUC，包括在最困难的无散瞳-弥散光模式中。该系统通过全球最大的图像数据库和合作医院的数据集进行训练和验证开发，有望在多级协作系统中改善白内障的诊断和管理。
近年来，AI领域取得了重大突破，包括在医学和医疗保健相关领域的应用[24-26]。与全身性疾病或其他眼部疾病不同，考虑到白内障明显相同的病变区域和病理基础(晶状体混浊)，白内障有望通过AI系统进行管理。本研究团队曾开发过一种AI平台-CC Cruiser，用于先天性白内障的管理。在随访多中心随机对照试验中，CC-Cruiser具有出色的诊断准确性，更少的耗时性能，而且获得更高的患者满意度[27]。笔者前期研究表明，CC-Cruiser在现阶段下可协助人类医生进行临床实践。然而，白内障的病因和表型是可变化的，仅针对单一特定白内障亚型的AI系统不能用于缺少眼科专家的社区基层医疗服务。本研究应用了不同诊断和严重程度的白内障对系统进行评测。例如，在成人白内障患者(年龄>18岁)中，主要对核混浊分级水平进行评价，以筛查需转诊条件(核Ⅲ~V)。在轻度成年白内障患者中，对囊膜下混浊(PCO或ACO)进行评价，以检测除最常见的年龄相关性白内障以外的需转诊“特殊”白内障类型。在儿童青少年白内障患者(年龄 < 18岁)中，考虑到此期间对视觉系统发育的潜在影响，明显的VCO被视为是需要转诊的白内障病例需转诊。除白内障病例的管理外，白内障AI系统还可以检测术后眼睛和视轴区的需转诊PCO。总之，通用白内障AI系统适用于白内障管理的基础临床实践，并具有识别不同的采集模式、病因和治疗阶段的能力。
传统的白内障分级系统和以前的深度学习系统在进行白内障管理的研究中依赖于裂隙灯显微镜的单一捕获模式[28]：散瞳-裂隙光带模式[29-30]。睫状肌麻痹剂有助于检测周边白内障，在医院常规用于术前评估；基于并发症的风险、成本和耗时因素，大多数基于社区的筛查项目更倾向在小瞳孔情况下拍摄照片。对裂隙灯操作者来说，弥散光线下的图像有助于观察晶状体混浊的整个区域，使白内障更容易被捕捉到，而裂隙灯下的图像具有白内障核分级和评价晶状体斑块与囊膜关系的优点。因此，四种采集模式(散瞳/非散瞳以及弥散光/裂隙光带)各有优势，应在真实世界的白内障筛查场景中应用。有趣的是，在这项研究中，即使在弥散光条件下，非散瞳捕获模式也显示出与“金标准”散瞳-裂隙光带模式相当的白内障诊断性能，在所有测试中AUC>99%。对于复杂的、可参考条件的检测，最困难的“非散瞳-弥漫光”模式仍然实现了>91%的AUC。这些结果表明，通过移动应用程序使用AI系统是可行的，即使是在家里收集患者的图像也能实现。这种基于AI诊断的设备已被应用于检测需转诊的糖尿病视网膜病变 (diabetes retinopathy,DR)，并具有很高的准确性[31]。这项技术的应用率先提高了真实世界DR筛查计划的效率和可及性[32]。相比之下，白内障作为全球致盲的主要原因，尚未使用深度学习的临床平台进行管理。基于本研究中的AI平台，我们进行了一项预试验，以评估其在真实世界的三级转诊系统中的可行性和效率。结果显示，该系统建议30.3%的人“转诊”，与传统模式相比，眼科医生与人群服务比大幅提高了10.2倍。随着用户可用的移动设备和自动检查仪器的更新，该协作平台和转诊模式可扩展至其他眼科疾病的管理。后续，我们将进一步在随后的社区筛查中继续开展该AI系统的临床试验。

利益冲突

所有作者均声明不存在利益冲突。

开放获取声明

本文适用于知识共享许可协议(Creative Commons)，允许第三方用户按照署名(BY)-非商业性使用(NC)-禁止演绎(ND)(CC BY-NC-ND)的方式共享，即允许第三方对本刊发表的文章进行复制、发行、展览、表演、放映、广播或通过信息网络向公众传播，但在这些过程中必须保留作者署名、仅限于非商业性目的、不得进行演绎创作。详情请访问：https://creativecommons.org/licenses/by-nc-nd/4.0/。

版权声明

本文已获得 BMJ 出版集团的许可，对原文的中文翻译和正式发表。《眼科学报》对本文的中文翻译负有全部责任，包括译文中的错误、遗漏和其他不足之处。
1、The National Health and Family Planning Commission of China. China statistical Yearbook of health and family planning[M]. Beijing: China Union Medical University Press, 2017.The National Health and Family Planning Commission of China. China statistical Yearbook of health and family planning[M]. Beijing: China Union Medical University Press, 2017.
2、Sreelatha%20OK%2C%20Ramesh%20SV.%20Teleophthalmology%3A%20improving%20patient%20%0Aoutcomes%3F%5B%20J%5D.%20Clin%20Ophthalmol%2C%202016%2C%2010%3A%20285-295.Sreelatha%20OK%2C%20Ramesh%20SV.%20Teleophthalmology%3A%20improving%20patient%20%0Aoutcomes%3F%5B%20J%5D.%20Clin%20Ophthalmol%2C%202016%2C%2010%3A%20285-295.
3、Ye Y, Wang J, Xie Y, et al. Global teleophthalmology with iPhones for real-time slitlamp eye examination[ J]. Eye Contact Lens, 2014, 40(5): 297-300.Ye Y, Wang J, Xie Y, et al. Global teleophthalmology with iPhones for real-time slitlamp eye examination[ J]. Eye Contact Lens, 2014, 40(5): 297-300.
4、Rathi S, Tsui E, Mehta N, et al. The current state of teleophthalmology in the United States[ J]. Ophthalmology, 2017, 124(12): 1729-1734.Rathi S, Tsui E, Mehta N, et al. The current state of teleophthalmology in the United States[ J]. Ophthalmology, 2017, 124(12): 1729-1734.
5、De Fauw J, Ledsam JR, Romera-Paredes B, et al. Clinically applicable deep learning for diagnosis and referral in retinal disease[ J]. Nat Med, 2018, 24(9): 1342-1350.De Fauw J, Ledsam JR, Romera-Paredes B, et al. Clinically applicable deep learning for diagnosis and referral in retinal disease[ J]. Nat Med, 2018, 24(9): 1342-1350.
6、Ravizza S, Huschto T, Adamov A, et al. Predicting the early risk of chronic kidney disease in patients with diabetes using real-world data[ J]. Nat Med, 2019, 25(1): 57-59.Ravizza S, Huschto T, Adamov A, et al. Predicting the early risk of chronic kidney disease in patients with diabetes using real-world data[ J]. Nat Med, 2019, 25(1): 57-59.
7、Jiang F, Jiang Y, Zhi H, et al. Artificial intelligence in healthcare: past, present and future[ J]. Stroke Vasc Neurol, 2017, 2(4): 230-243.Jiang F, Jiang Y, Zhi H, et al. Artificial intelligence in healthcare: past, present and future[ J]. Stroke Vasc Neurol, 2017, 2(4): 230-243.
8、FDA News Release. FDA permits marketing of artificial intelligencebased device to detect certain diabetes-related eye problems[EB/OL]. https://www.fda. gov/newsevents/newsroom/pressannouncements/ ucm604357.htm.FDA News Release. FDA permits marketing of artificial intelligencebased device to detect certain diabetes-related eye problems[EB/OL]. https://www.fda. gov/newsevents/newsroom/pressannouncements/ ucm604357.htm.
9、van der Heijden AA, Abramoff MD, Verbraak F, et al. Validation of automated screening for referable diabetic retinopathy with the IDx-DR device in the Hoorn Diabetes Care System[ J]. Acta Ophthalmol, 2018, 96(1): 63-68.van der Heijden AA, Abramoff MD, Verbraak F, et al. Validation of automated screening for referable diabetic retinopathy with the IDx-DR device in the Hoorn Diabetes Care System[ J]. Acta Ophthalmol, 2018, 96(1): 63-68.
10、Epidemiology of cataract[ J]. Lancet, 1982, 1(8286): 1392-1393.Epidemiology of cataract[ J]. Lancet, 1982, 1(8286): 1392-1393.
11、Tang Y, Wang X, Wang J, et al. Prevalence of age-related cataract and cataract surgery in a Chinese adult population: the Taizhou eye study[ J]. Invest Ophthalmol Vis Sci, 2016, 57(3): 1193-1200.Tang Y, Wang X, Wang J, et al. Prevalence of age-related cataract and cataract surgery in a Chinese adult population: the Taizhou eye study[ J]. Invest Ophthalmol Vis Sci, 2016, 57(3): 1193-1200.
12、Mohammad-Rabie H, Malekifar P, Esfandiari H. Visual outcomes after primary iris claw artisan intraocular lens implantation during complicated cataract surgery[ J]. Semin Ophthalmol, 2017, 32(3): 337- 340.Mohammad-Rabie H, Malekifar P, Esfandiari H. Visual outcomes after primary iris claw artisan intraocular lens implantation during complicated cataract surgery[ J]. Semin Ophthalmol, 2017, 32(3): 337- 340.
13、Sharma AK, Aslami AN, Srivastava JP, et al. Visual outcome of traumatic cataract at a tertiary eye care centre in North India: a prospective study[ J]. J Clin Diagn Res, 2016, 10(1): NC05-NC08.Sharma AK, Aslami AN, Srivastava JP, et al. Visual outcome of traumatic cataract at a tertiary eye care centre in North India: a prospective study[ J]. J Clin Diagn Res, 2016, 10(1): NC05-NC08.
14、Wu X , Long E, Lin H, et al. Prevalence and epidemiological characteristics of congenital cataract: a systematic review and metaanalysis[ J]. Sci Rep, 2016, 6: 28564.Wu X , Long E, Lin H, et al. Prevalence and epidemiological characteristics of congenital cataract: a systematic review and metaanalysis[ J]. Sci Rep, 2016, 6: 28564.
15、Song P, Wang H, Theodoratou E, et al. The national and subnational prevalence of cataract and cataract blindness in China: a systematic review and meta-analysis[ J]. J Glob Health, 2018, 8(1): 010804.Song P, Wang H, Theodoratou E, et al. The national and subnational prevalence of cataract and cataract blindness in China: a systematic review and meta-analysis[ J]. J Glob Health, 2018, 8(1): 010804.
16、Ramke J, Zwi AB, Lee AC, et al. Inequality in cataract blindness and services: moving beyond unidimensional analyses of social position[ J]. Br J Ophthalmol, 2017, 101(4): 395-400.Ramke J, Zwi AB, Lee AC, et al. Inequality in cataract blindness and services: moving beyond unidimensional analyses of social position[ J]. Br J Ophthalmol, 2017, 101(4): 395-400.
17、Limwattananon C, Limwattananon S, Tungthong J, et al. Association between a centrally reimbursed fee schedule policy and access to cataract surgery in the universal coverage scheme in Thailand[ J]. JAMA Ophthalmol, 2018, 136(7): 796-802.Limwattananon C, Limwattananon S, Tungthong J, et al. Association between a centrally reimbursed fee schedule policy and access to cataract surgery in the universal coverage scheme in Thailand[ J]. JAMA Ophthalmol, 2018, 136(7): 796-802.
18、Long E, Lin H, Liu Z, et al. An artificial intelligence platform for the multihospital collaborative management of congenital cataracts[ J]. Nat Biomed Eng, 2017, 1: 24.Long E, Lin H, Liu Z, et al. An artificial intelligence platform for the multihospital collaborative management of congenital cataracts[ J]. Nat Biomed Eng, 2017, 1: 24.
19、Gao X, Lin S, Wong TY. Automatic feature learning to grade nuclear cataracts based on deep learning[ J]. IEEE Trans Biomed Eng, 2015, 62(11): 2693-2701.Gao X, Lin S, Wong TY. Automatic feature learning to grade nuclear cataracts based on deep learning[ J]. IEEE Trans Biomed Eng, 2015, 62(11): 2693-2701.
20、Chylack LT Jr, Leske MC, McCarthy D, et al. Lens opacities classification system II (LOCS II)[ J]. Arch Ophthalmol, 1989, 107(7): 991-997.Chylack LT Jr, Leske MC, McCarthy D, et al. Lens opacities classification system II (LOCS II)[ J]. Arch Ophthalmol, 1989, 107(7): 991-997.
21、He K , Zhang X, Ren S, et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, NV, USA. IEEE, 2016: 770- 778.He K , Zhang X, Ren S, et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, NV, USA. IEEE, 2016: 770- 778.
22、Ioffe S, Szegedy C. Batch normalization: accelerating deep network training by reducing internal covariate shift[ J]. arXiv E Prints, 2015: arXiv: 1502.03167.Ioffe S, Szegedy C. Batch normalization: accelerating deep network training by reducing internal covariate shift[ J]. arXiv E Prints, 2015: arXiv: 1502.03167.
23、Zhongshan Ophthalmic Centre. Yearly statistic of Center of Cataract & Others Lens Diseases department, 2017[EB/OL]. http://english. gzzoc.com/medicalservice/lcks/Cocold/201801/t20180118_114831. htmlZhongshan Ophthalmic Centre. Yearly statistic of Center of Cataract & Others Lens Diseases department, 2017[EB/OL]. http://english. gzzoc.com/medicalservice/lcks/Cocold/201801/t20180118_114831. html
24、Gargeya R, Leng T. Automated identification of diabetic retinopathy using deep learning[ J]. Ophthalmology, 2017, 124(7): 962-969.Gargeya R, Leng T. Automated identification of diabetic retinopathy using deep learning[ J]. Ophthalmology, 2017, 124(7): 962-969.
25、Gulshan V, Peng L, Coram M, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs[ J]. JAMA, 2016, 316(22): 2402-2410.Gulshan V, Peng L, Coram M, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs[ J]. JAMA, 2016, 316(22): 2402-2410.
26、Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks[ J]. Nature, 2017, 542(7639): 115-118.Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks[ J]. Nature, 2017, 542(7639): 115-118.
27、Lin H, Li R, Liu Z, et al. Diagnostic efficacy and therapeutic decisionmaking capacity of an artificial intelligence platform for childhood cataracts in eye clinics: a multicentre randomized controlled trial[ J]. EClinicalMedicine, 2019, 9: 52-59.Lin H, Li R, Liu Z, et al. Diagnostic efficacy and therapeutic decisionmaking capacity of an artificial intelligence platform for childhood cataracts in eye clinics: a multicentre randomized controlled trial[ J]. EClinicalMedicine, 2019, 9: 52-59.
28、Wong WL, Li X, Li J, et al. Cataract conversion assessment using lens opacity classification system III and Wisconsin cataract grading system[ J]. Invest Ophthalmol Vis Sci, 2013, 54(1): 280-287.Wong WL, Li X, Li J, et al. Cataract conversion assessment using lens opacity classification system III and Wisconsin cataract grading system[ J]. Invest Ophthalmol Vis Sci, 2013, 54(1): 280-287.
29、Findl O, Struhal W, Dorffner G, et al. Analysis of nonlinear systems to estimate intraocular lens position after cataract surgery[ J]. J Cataract Refract Surg, 2004, 30(4): 863-866. DOI: 10.1016/j.jcrs.2003.08.027.Findl O, Struhal W, Dorffner G, et al. Analysis of nonlinear systems to estimate intraocular lens position after cataract surgery[ J]. J Cataract Refract Surg, 2004, 30(4): 863-866. DOI: 10.1016/j.jcrs.2003.08.027.
30、Li H, Lim JH, Liu J, et al. A computer-aided diagnosis system of nuclear cataract[ J]. IEEE Trans Biomed Eng, 2010, 57(7): 1690-1698.Li H, Lim JH, Liu J, et al. A computer-aided diagnosis system of nuclear cataract[ J]. IEEE Trans Biomed Eng, 2010, 57(7): 1690-1698.
31、Ting DSW, Cheung CY, Lim G, et al. Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with diabetes[ J]. JAMA, 2017, 318(22): 2211-2223.Ting DSW, Cheung CY, Lim G, et al. Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with diabetes[ J]. JAMA, 2017, 318(22): 2211-2223.
32、Li Z, Keel S, Liu C, et al. An automated grading system for detection of vision-threatening referable diabetic retinopathy on the basis of color fundus photographs[ J]. Diabetes Care, 2018, 41(12): 2509-2516.Li Z, Keel S, Liu C, et al. An automated grading system for detection of vision-threatening referable diabetic retinopathy on the basis of color fundus photographs[ J]. Diabetes Care, 2018, 41(12): 2509-2516.
1、国家重点研发计划(2018YFC0116500)，国家自然科学基金重点研究计划(91846109)， 国家自然科学优秀青年基金(81822010), 国家自然科学基金(81770967,81873675,81800810)，广东省科技计划项目(2019B030316012,2018B010109008, 2017B030314025), 广东科技创新领军人才计划(2017TX04R031), 广东省自然科学基金(2018A030310104)。()
上一篇
下一篇
作者登录
作者注册
审稿登录
编辑登录
其他期刊

  • 眼科学报

    主管：中华人民共和国教育部
    主办：中山大学
    承办：中山大学中山眼科中心
    主编：林浩添
    主管：中华人民共和国教育部
    主办：中山大学
    浏览

  • Eye Science

    主管：中华人民共和国教育部
    主办：中山大学
    承办：中山大学中山眼科中心
    主编：林浩添
    主管：中华人民共和国教育部
    主办：中山大学
    浏览
最新资讯

一亿年进化出的晶状体有多重要？

How important is the lens evolved in 100 million years?

发布于: 2022-12-01
推荐阅读
出版者信息

中山大学

中山大学中山眼科中心

眼科学术平台公众号
目录
中山大学医学期刊联盟
关注微信公众号
首页   | 关于我们  | 联系我们 粤ICP备11021180
关注微信公众号
粤ICP备11021180