人工智能在白内障诊疗中的研究进展

李妍，陈廷，廖芙蓉，杨卫华

白内障是全球首位的致盲性眼病，白内障盲是防盲领域的重点疾病。随着全球人口老龄化加剧，白内障的发病率将不断增加，也是我国首位致盲原因[1-2]。白内障的诊断主要依靠裂隙灯下观察晶状体混浊程度结合最佳矫正视力，而唯一有效的治疗手段是手术。因此，如何快速诊断白内障并设计出更完美的手术方式，如何计算植入人工晶状体（intraocular lens，IOL）的度数，以及如何获得更满意的术后效果等难题，是近年来白内障领域的研究热点和发展方向。有研究[3]提出，使用裂隙灯或彩色眼底照相图像进行白内障的人工智能（artificial intelligence，AI）自动评估，也有研究[4]提出，并推导出了基于AI 的白内障手术前IOL 度数计算方法。但与糖尿病性视网膜病变、年龄相关性黄斑变性、青光眼等其他常见眼病相比，AI 在白内障领域的研究仍相对较少。本文总结分析了AI 在白内障诊疗中的研究进展，并提出一些展望和对策。

1 白内障诊疗现状

1.1 白内障盲概况

白内障是全球视力受损、失明的主要原因。随着人口老龄化加剧，因白内障而致盲的患者在2020年已达到7,050万[5]，而这些白内障病例中有相当一部分尚未得到确诊。因此，白内障不仅仅是个眼病，而且是一个非常重要的公共卫生问题。

1.2 白内障诊断方法现状与瓶颈

目前，眼科医生主要采用裂隙灯显微镜对白内障进行临床诊断，并根据已建立的临床评分标准（如晶状体混浊度分级系统III）进行分级[6]。这一过程需要依靠眼科医生的临床专业判断，而发展中国家或偏远地区的眼科医生严重缺乏。此外，主观临床评估的结果会受到不同医生主观差异性的影响。总的来说，传统的白内障检测方法需要眼科医生的专业知识，由于眼科医生数量不足，筛查的病源范围也相当有限，是防盲治盲工作的一个瓶颈。因此，随着白内障患病人群的不断增加，迫切需要借助AI 技术来解决目前存在的白内障诊断能力不足，并提出白内障检测的创新方法。

1.3 当前IOL度数计算的局限性

目前，白内障的主要治疗方法是手术切除并植入IOL，白内障手术的预后视觉效果在很大程度上取决于IOL 的度数计算，而IOL 的计算公式目前是基于术前眼部生物测量的公式。眼部参数（如眼轴长度和角膜曲率）是确定IOL 度数计算公式适用性的重要因素[7-8]。然而，现有公式主要适用于正常眼轴和曲率，有研究[9-10]表明，即使第4、5 代公式已经出现和运用，但对于短眼轴或者长眼轴、有屈光手术史的患者，其精确性仍有待进一步评估，目前还没有一个万能的公式可以普遍适用于所有的白内障手术患者。

2 AI在眼科的应用进展

机器学习中的深度学习方法是目前最热门的AI 领域，是机器学习的一个子集，它涉及到使用人工神经网络，由多层人工神经元组成，模拟人脑的生理功能[11]，深度学习系统可以通过训练自动提取和处理图像、文本以及语音识别中的信息。近年来，AI 系统在医学领域的应用显示出了优势，例如检测肺结节、肺癌、乳腺癌继发淋巴结转移、结肠镜下息肉和腺瘤的实时检测[12-13]。在拥有大量标准图像和其他医学数据的眼科学领域，AI 在糖尿病视网膜病变、年龄相关性黄斑变性、干眼和青光眼等方面显示出了优异的表现[14]。TING DSW 等[15]研究表明，基于多中心眼底图像的深度学习系统检测年龄相关性黄斑变性的灵敏度高达93.2%，STORAS AM 等[16]在最新研究报告中指出AI强大的机器学习能力可用于干眼患者图像的细微识别、干眼诊断及严重程度分级。算力的快速提高促进了深度学习方法的迅速升温[17]。由于其在海量数据中提取高级特征和非结构化模式的特殊能力，深度学习系统现在可以获得良好的性能，在某些具体眼病的诊断上可以媲美或超越临床医生[11]。

3 AI在白内障诊疗中的应用

3.1 白内障的AI检测和分级

随着AI 系统在各种眼病中的应用，基于深度学习的AI算法也被开发用于白内障的自动检测和分级。白内障的AI诊断主要基于裂隙灯照相图像或彩色眼底照相图像。

由于白内障传统诊断主要是根据裂隙灯检查进行，因此，以前的一些研究仅将裂隙灯照相图像作为训练集用于白内障的自动检测和分级。LI H 等[18]应用了一种改进的主动形状模型（active shape model，ASM），在5,820 张裂隙灯照相图像上首次确定了晶状体及晶状体核的位置，ASM正确识别晶状体位置的成功率为95%。在中国的一项大规模研究中，WU X 等[19]利用残差神经网络（residual neural network，ResNet）的深度学习，建立了一个用于白内障诊断和转诊的3步序贯AI算法。在捕获模式识别阶段，首先，AI系统将区分裂隙灯散瞳和免散瞳照片图像，以及光学切片和漫射裂隙灯照明图像。其次，这些图像再被分为正常（没有白内障）、白内障或术后IOL。如果发现白内障，根据晶状体混浊分级系统II量表评估白内障混浊的类型和严重程度，并决定是否随访或需要进一步治疗。该AI 算法作为网络平台的一部分，在广州市越秀区进行了试点研究，参与研究的居民能够使用手机应用程序填报视力下降或视力模糊的症状，这些自我报告的病例随后被送往社区医疗机构拍摄免散瞳裂隙灯图像，并通过AI 算法进行处理，然后算法生成结果。与眼科医生的最终诊断结果相比，该算法对白内障的检测敏感性和特异性分别为92.00%和83.85%。基于这些初步结果，研究者提出了将白内障第一步检测从眼科医生转变为以社区为基础的医疗保健设施（AI 算法的应用），相比于现有的卫生保健模式，借助AI 技术眼科医师能够服务的患者量大约是现有患者量的10倍。

3.2 基于彩色眼底照相图像的算法开发

随着视网膜成像技术在糖尿病视网膜病变及其他眼底病筛查中应用的日益增多，很多研究团队也探讨了彩色眼底照片在白内障自动评估体系中的应用，使得眼底照相作为一种白内障筛查工具成为可能[20]。

DONG Y 等[21]使用5,495 幅眼底图像训练并开发了一种AI 算法（使用传统机器学习和深度学习算法的结合）。首先，用基于Caffe 软件构建的深度学习网络提取图像特征，然后，用Softmax 函数（一种机器学习算法）进行白内障检测和严重程度分级。由经验丰富的眼科医生判断，并根据眼底图像的“可见度”分类来确定白内障的4 种严重程度（正常、轻度、中度和重度）。在2,355 幅图像的内部测试中，发现94.07%的图像对白内障进行了正确分类，90.82%的图像对不同程度的白内障进行了正确分级。

PRATAP T 等[22]在AI 系统中应用了预训练的卷积—递归神经网络（深度学习网络的一种形式）和支持向量机的结合。根据眼科医师对眼底图像的“可见度”来表示4 类白内障严重程度（同上），当对400张眼底图像进行测试时，系统显示分类白内障的准确度达到了100%，分辨白内障严重级别的准确率达到了93%。

LI J等[23]利用北京同仁眼科中心临床数据库中的7,030张眼底图像的训练数据，开发了一个由ResNet-18 和ResNet-50 组成的基于深度学习的系统。采用ResNet-50 进行较为复杂的白内障严重程度分级，而ResNet-18 用于白内障检测。同样，研究者也对眼底图像进行预处理，应用绿色滤光片将光照不均匀的程度降到最低。再通过对眼底图像的能见度进行标记，将白内障按严重程度分为上述4 类，从而确定了本研究的准确数据。结果显示，使用1,000 幅图像的内部测试集，该系统在白内障检测方面的准确率为97.2%，在严重程度分级方面的准确率为87.7%。

3.3 AI在IOL度数计算中的应用

目前，IOL 度数计算公式主要基于眼球生物特征测量。随着深度学习的出现，AI 有可能解开这些眼部参数之间复杂的、非线性的关系，并产生能够更好地适合个体差异的计算。

因此，以规范IOL 度数计算公式的选择为重点，LADAS JG 等[4]开发了一种基于IOL 的公式：Ladas 超级公式，它是从现有的公式（即Hoffer Q、Holladay-1、Holladay-1 Koch、Haigis 和SRK/T 公式）各自的理想部分进行特征提取。虽然文献中没有详细说明该算法的数学细节，但该算法被描述为源自每个现有公式中“最理想的生物特征成分”，比如眼轴长度和角膜曲率。这个公式可能使目前缺乏经验的白内障手术医生面临的IOL 度数计算公式选择难题成为智能过程。除了优化公式的选择过程，AI 也用于开发IOL 度数计算算法。据报道[24]基于Haag-Streit LENSTAR 光学生物计测得的大约12,000 只眼的数据获得的Hill-RBF 公式，可以估计个体化眼睛的IOL 度数。另一个AI 计算IOL 度数的计算公式是Kane 公式[25]，是基于使用高性能云计算创建而来，是传统回归模式和机器学习部分的结合，为了改进IOL 度数测量而创造。在该研究中，进一步评估了Hill-RBF 公式和Kane 公式的准确性。比较计算公式和实际术后屈光不正，对于短眼轴的病人（≤22.0 mm），Kane公式平均绝对误差为0.441 D，而Hill-RBF 公式平均绝对误差为0.440 D。对于中等眼轴长度的病人（22.0～26.0 mm），Kane 公式表明，平均绝对误差为0.322 D，Hill-RBF 公式报道的平均绝对误差为0.340 D。最后，对于长眼轴的病人（≥26.0 mm），Kane公式显示了0.326 D的平均绝对误差，而Hill-RBF公式的平均绝对误差为0.358 D。总的来说，公式都展示出了很好的结果，但还需要进一步改善，尤其是短眼轴眼。

4 AI在白内障诊疗领域的展望和对策

上述大多数研究显示了较好的前景，但是都没有进一步对各自的算法进行外部测试或多中心研究。因此，这些算法的可推广性还没有证实。此外因为场景类型的不同，这些算法在社区、初级保健机构或三级眼科医院的应用仍有待进一步评估。

AI在IOL度数测量及公式的选择应用方面，以及非典型生物特征眼（如极短和极长眼轴）的算法有待在以后的工作中进一步调整。对于有屈光手术史的患者，使用现有公式对IOL 度数计算给眼科医生带来了更多挑战。相较于欧美国家，中国接受角膜屈光手术的患者更多，加上人口老龄化的问题，预计在未来屈光手术后需要白内障手术的患者数量将不断增加。基于这个原因，需要新的AI 推导公式或公式选择方法来提高角膜屈光手术患者的IOL度数测量的准确性。

随着眼前节成像形式的增加，包括手持眼底相机、眼底照相和连接到智能手机的照相适配器等，新的AI 系统可以提供更好的白内障筛查服务，特别是在农村和眼科资源匮乏的地区。而且这些成像模式越来越经济，易于使用，检查者可由训练有素的技术人员或护士担任。此外，眼底照相在糖尿病专科筛查项目中已经很普遍，用于糖尿病视网膜病变筛查的照片也可以用于白内障检测，眼底照相检查也可以作为自动化白内障筛查的评估工具。

最后，开发出基于清晰明确且有大量临床数据支持的新算法，或改进现有AI 算法仍然是一个挑战。为了达到这个目标，医院的电子病历（包括临床数据与图像）与云存储的无缝连接，可能会为促进新算法的发展而提供机会。然而，在建立和维护云存储的过程中，云平台临床数据用于算法研究的同时，还需要加强保护患者的数据隐私，确保严格的规章制度和研究数据的匿名化。

5 小结

AI 的出现为白内障检测、分级、IOL 度数计算等领域带来了新的发展机遇。白内障作为占全球致盲率首位的疾病，其诊断和个性化的治疗依靠现有的医患模式已不能满足患者的需要。伴随计算能力的提高和日益可用的白内障大数据增加，AI 在未来应用于白内障相关临床实践和服务是大势所趋，除了上述几个方面，术后屈光状态的优化和儿童白内障的评估也是未来的发展方向，这些都需要眼科科研人员和AI 专家的共同努力和不断创新，齐心协力致力于AI 在白内障领域的推广和应用。