人工智能在白內(nèi)障手術(shù)治療和教學(xué)中的應(yīng)用與展望

馮媛媛 綜述 王婷，肖鈞，劉臻臻，項(xiàng)毅帆，林浩添 審校

(1.中山大學(xué)醫(yī)學(xué)院，廣東 深圳 518107；2.中山大學(xué)中山眼科中心，眼科學(xué)國家重點(diǎn)實(shí)驗(yàn)室，廣東省眼科視覺科學(xué)重點(diǎn)實(shí)驗(yàn)室，廣州 510060)

白內(nèi)障目前已成為全球第1位致盲性眼病，是造成可逆性視力障礙和失明的主要原因[1]。據(jù)估計(jì)，全世界有9 500萬人受到白內(nèi)障的影響[2]；且在世界范圍內(nèi)，每年新增白內(nèi)障致盲人數(shù)為40萬[3]；2020年，全球約有1 520萬50歲及以上因白內(nèi)障而致盲的人群[4]。隨著中國老齡化進(jìn)程的加速，白內(nèi)障發(fā)病率也在逐年上升。因此，實(shí)現(xiàn)白內(nèi)障的早診斷早治療尤為重要。目前，白內(nèi)障主要依靠手術(shù)治療。白內(nèi)障手術(shù)的發(fā)展經(jīng)歷了針撥術(shù)、白內(nèi)障囊內(nèi)摘除術(shù)[5](intracapsular cataract extraction，ICCE)、囊外摘除術(shù)、超聲乳化手術(shù)、飛秒激光輔助手術(shù)等過程[6]，其中，現(xiàn)階段應(yīng)用最廣泛、療效最佳的方法為超聲乳化白內(nèi)障摘除手術(shù)。近年，人工智能(artificial intelligence，AI)在超聲乳化手術(shù)中的應(yīng)用比例逐步增高，多項(xiàng)研究結(jié)果已證實(shí)了二者結(jié)合可有效改善白內(nèi)障的治療現(xiàn)狀，如在白內(nèi)障手術(shù)的術(shù)前管理、術(shù)中治療、術(shù)后隨訪及并發(fā)癥預(yù)測、教學(xué)示范和指導(dǎo)中，AI都起到了重要作用，使手術(shù)效果得到保障，眼科醫(yī)生自身的技術(shù)得以提高，為白內(nèi)障的手術(shù)方法、教學(xué)方式都提供了新的思路和方向。因此，本文將進(jìn)一步梳理AI在白內(nèi)障手術(shù)治療和教學(xué)中的應(yīng)用，并對其未來的發(fā)展做出建議和展望。

1 AI 在白內(nèi)障手術(shù)術(shù)前的應(yīng)用

1.1 AI 與白內(nèi)障手術(shù)術(shù)前診斷

白內(nèi)障的早期診斷和及時(shí)管理對于改善患者的生活質(zhì)量和減輕其醫(yī)療負(fù)擔(dān)至關(guān)重要。2019年，Wu等[7]建立并驗(yàn)證了一個(gè)AI醫(yī)療影像診斷平臺，用于臨床情景多層次白內(nèi)障協(xié)同管理，以提高協(xié)作效率和醫(yī)療資源覆蓋率。該AI平臺的工作步驟如下：在步驟1中，裂隙燈照片被分為4個(gè)單獨(dú)的捕獲模式：散瞳、彌散光照片，散瞳、裂隙光照片，正常瞳孔、彌散光照片和正常瞳孔、裂隙光照片；在步驟2中，識別每張照片為正常晶狀體，白內(nèi)障或術(shù)后眼睛；在步驟3中，識別白內(nèi)障嚴(yán)重程度，并對每張?jiān)\斷出的照片進(jìn)行分類，以便進(jìn)一步確定轉(zhuǎn)診或隨訪的策略。結(jié)果顯示：該AI平臺和多級協(xié)作模式在以下3步任務(wù)中都具有強(qiáng)大的診斷性能：捕獲模式識別中，曲線下面積(area under curve，AUC)達(dá)到99.28%～99.71%；白內(nèi)障診斷(正常晶狀體，白內(nèi)障或術(shù)后眼)中，散瞳裂隙燈模式的AUC分別為99.82%、99.96%和99.93%，其他捕獲模式的AUC大于99%；檢測到白內(nèi)障，在所有測試中AUC均大于91%。在三級轉(zhuǎn)診模式中，建議“轉(zhuǎn)診”的患者占比為30.3%，與傳統(tǒng)模式相比，醫(yī)患服務(wù)人數(shù)比例提高了10.2倍。通過此平臺，患者和醫(yī)院之間建立了一種更高效的協(xié)作模式，惠及了醫(yī)患雙方。

1.2 AI 與白內(nèi)障術(shù)前分級

2019年，Zhang等[8]提出了新的白內(nèi)障分級方法，該方法基于眼底圖像將白內(nèi)障分為六級，其核心在于深度學(xué)習(xí)。訓(xùn)練模型的步驟主要為：從殘差網(wǎng)絡(luò)(ResNet18)中提取高級特征，從灰度共生矩陣(gray-level co-occurrence matrix，GLCM)中提取紋理特征，將二者結(jié)合形成一個(gè)框架，使用支持向量機(jī)分類器和全連接神經(jīng)網(wǎng)絡(luò)作為輸出和分類結(jié)果，用堆疊策略進(jìn)行多模型訓(xùn)練，從而實(shí)現(xiàn)對白內(nèi)障的分級。該方法的平均準(zhǔn)確率達(dá)92.66%，其中最高達(dá)93.33%。雖然該方法對于輕度白內(nèi)障的診斷不夠準(zhǔn)確，且眼底圖像數(shù)量有限，研究團(tuán)隊(duì)只能獲取較為的模糊血管圖像，但對于縮小診斷范圍、提高診斷效率仍有十分重要的意義。

1.3 AI 與白內(nèi)障手術(shù)術(shù)前分級管理

在實(shí)際的臨床診療中，由于患者數(shù)目龐大，醫(yī)生精力有限，因此術(shù)前診療效率難以與患者的需求相適應(yīng)。2017年，Long等[9]建立了CC-Cruiser平臺，并在多家醫(yī)院對該平臺進(jìn)行測試，旨在改善疾病管理，使罕見病患者受益。CC-Cruiser是一個(gè)能夠幫助眼科醫(yī)生進(jìn)行先天性白內(nèi)障篩查及管理的AI系統(tǒng)，可準(zhǔn)確判斷患兒白內(nèi)障的嚴(yán)重程度，輔助醫(yī)生分析患兒是否需要進(jìn)行手術(shù)。CCCr uiser以深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)分類模型為主體，具有以下3個(gè)功能網(wǎng)絡(luò)：識別網(wǎng)絡(luò)、評估網(wǎng)絡(luò)和決策網(wǎng)絡(luò)。由于訓(xùn)練目標(biāo)的不同，每個(gè)網(wǎng)絡(luò)執(zhí)行的功能也各不相同：識別網(wǎng)絡(luò)可以從大量的人群中篩查出患有先天性白內(nèi)障的患兒；評估網(wǎng)絡(luò)用于對先天性白內(nèi)障患兒的疾病嚴(yán)重程度分級，分級原則涉及混濁區(qū)域、密度和定位，以此對疾病的嚴(yán)重程度(即晶狀體混濁程度)進(jìn)行綜合評估；決策網(wǎng)絡(luò)基于識別網(wǎng)絡(luò)和評估網(wǎng)絡(luò)所得到的結(jié)果，提出相關(guān)的治療建議，例如手術(shù)或隨訪。在測試階段，科研團(tuán)隊(duì)采用多種方法對模型的準(zhǔn)確性和實(shí)用性進(jìn)行測試，結(jié)果顯示：計(jì)算機(jī)測試中，識別網(wǎng)絡(luò)能以98.87%的準(zhǔn)確度區(qū)分患者和健康個(gè)體，評估網(wǎng)絡(luò)判定渾濁區(qū)域、密度和位置的風(fēng)險(xiǎn)指數(shù)的準(zhǔn)確率分別為93.98%、95.06%、95.12%；多中心臨床測試在更大的規(guī)模上更有效地驗(yàn)證和研究CC-Cruiser的實(shí)用性，測得CCCruiser識別網(wǎng)絡(luò)準(zhǔn)確率為98.25%，評價(jià)網(wǎng)絡(luò)在混濁區(qū)域、密度和定位的準(zhǔn)確率分別為100.00%、92.86%、100.00%，決策網(wǎng)絡(luò)準(zhǔn)確率為92.86%?！按蠛漆槨睖y試驗(yàn)證了CC-Cruiser判斷罕見事件的能力，如少見的白內(nèi)障類型及病征等。該AI技術(shù)能夠幫助醫(yī)生判斷患者是否需要手術(shù)，并對患者白內(nèi)障嚴(yán)重程度進(jìn)行術(shù)前分級。

2019年，CC-Cruiser已完成了多中心隨機(jī)對照試驗(yàn)。Lin等[10]在中國5家不同的眼科醫(yī)院進(jìn)行了試驗(yàn)，比較現(xiàn)實(shí)世界中CC-Cruiser和眼科醫(yī)生之間的診斷效力和治療決策能力的差異，結(jié)果顯示：CC-Cruiser的白內(nèi)障診斷和治療決策的準(zhǔn)確性分別為87.4%和70.8%，遠(yuǎn)低于專家99.1%和96.7%的診斷和治療決策準(zhǔn)確性；而用CC-Cruiser診斷的平均時(shí)間為2.79 min，遠(yuǎn)少于專家所需的8.53 min?；颊邔C-Cruiser提供的醫(yī)療服務(wù)質(zhì)量感到滿意，并感到使用CC-Cruiser進(jìn)行診斷較為省時(shí)。與專家相比，CC-Cruiser在診斷兒童白內(nèi)障和做出治療決策方面表現(xiàn)較差。但是CC-Cruiser提供的醫(yī)療服務(wù)耗時(shí)較少，并且患者滿意度很高。因此，CC-Cruiser有能力協(xié)助眼科醫(yī)生進(jìn)行臨床實(shí)踐。

2 AI 在白內(nèi)障手術(shù)術(shù)后的應(yīng)用

2.1 AI 與白內(nèi)障手術(shù)術(shù)后評估

2.1.1 AI 與人工晶狀體選擇

白內(nèi)障手術(shù)摘除渾濁的晶狀體后，可通過植入人工晶狀體(intraocular lens，IOL)以矯正晶狀體缺失導(dǎo)致的高度遠(yuǎn)視狀態(tài)，而該過程的關(guān)鍵步驟為IOL的計(jì)算。雖然現(xiàn)代IOL公式對于多數(shù)患者較為適用，但對于眼部具有非典型生物識別參數(shù)或圓錐角膜的患者，該公式卻不甚完美[11]。目前，AI已應(yīng)用于IOL計(jì)算公式的完善，使IOL的參數(shù)達(dá)到更高的精確度，從而改善患者白內(nèi)障術(shù)后的屈光結(jié)果。

2015年，Ladas等[12]根據(jù)現(xiàn)有IOL公式和有關(guān)IOL設(shè)計(jì)最準(zhǔn)確、最新的信息，開發(fā)了一種新方法，得到了3個(gè)維度上的IOL公式，即IOL“超級表面公式”。該公式能夠得到目前最準(zhǔn)確的IOL度數(shù)值。初始超曲面是基于Hoffer Q、Holladay I、帶有Koch調(diào)整的Holladay I公式和Haigis公式構(gòu)建的，之后，研究人員編寫了算法來生成3D超曲面，從而得到最終的“超級公式”?！俺壒健笨捎糜谟?jì)算平均眼軸長度和角膜曲率值，并且由于其是多種公式融合的產(chǎn)物，因此也適用于具有不典型軸長、角膜曲率、前房深度(anterior chamber depth，ACD)患者的眼部，優(yōu)化了基于眼軸長度、角膜曲率以及ACD等的計(jì)算，克服了用過去其他公式計(jì)算時(shí)IOL不準(zhǔn)確的問題[13]，從而糾正了屈光結(jié)果，取得了極大的進(jìn)步。

Ladas等[14]于2021年對該公式進(jìn)行了改進(jìn)和優(yōu)化，并創(chuàng)建了混合AI公式。研究人員以軸向長度、角膜曲率和ACD作為優(yōu)化公式的變量，使用SRK、Holladay I和LSF公式，將數(shù)據(jù)集分為10個(gè)相等的部分，每個(gè)批次都做測試集，得到結(jié)果：改進(jìn)后的公式在各數(shù)據(jù)集中的準(zhǔn)確度都有所提高，其中SRK為62%，Holladay I為72%，LSF為6%。

此外，2021年，Nemeth等[15]基于4種方法對IOL度數(shù)計(jì)算的準(zhǔn)確性進(jìn)行了評估，其中3種使用AI，1種不使用AI。結(jié)果顯示：根據(jù)屈光數(shù)據(jù)，4種方法在±0.5 D預(yù)測誤差時(shí)需要的案例數(shù)分別為：Hill-RBF法88例(77.19%)、Kane法83例(72.80%)、Pearl-DGS法82例(71.92%)、BUII法80例(70.17%)。這表明Hill-RBF法具有更好的精度，而Kane法、Pearl-DGS法和BUII法三者精度相似，均低于Hill-RBF法。因此在預(yù)測IOL屈光度時(shí)，Hill-RBF法的準(zhǔn)確性更高。在另一項(xiàng)研究中，Wan等[16]還發(fā)現(xiàn)Hill-RBF法的中值絕對預(yù)測誤差(median absolute prediction error，MedAE)，和標(biāo)準(zhǔn)偏差(standard deviation，SD)均低于Hoffer Q法、Holladay I法和SRK/T法，與BUII法和Haigis法相當(dāng)，且Hill-RBF2法的色散和屈光預(yù)測準(zhǔn)確性與軸長無關(guān)。

除上文提到的Hill-RBF、BUII、Haigis、Hoffer Q、Holladay I、SRK、LSF、Kane、Pearl-DGS外，其他計(jì)算公式如正視驗(yàn)證光學(xué)(emmetropia verifying optical，EVO)、Holladay 2、N?ser 2、T2、VRF-IOL等[17]，都在IOL度數(shù)預(yù)測中起到重要作用。

2.1.2 AI 與IOL 位置預(yù)測

AI在白內(nèi)障術(shù)后IOL的位置預(yù)測方面具有較好的應(yīng)用前景。Langenbucher等[18]使用Casia 2 OCT (Tomey)計(jì)算患者術(shù)后眼部參數(shù)，基于內(nèi)ACD、晶狀體厚度、角膜厚度、平均角膜半徑和角膜直徑等多種指標(biāo)，對1 7 種算法進(jìn)行了測試。結(jié)果表明：17種機(jī)器學(xué)習(xí)算法的平均絕對預(yù)測誤差值較小，其中用于預(yù)測內(nèi)ACD 的誤差為0.187/0.139 mm～0.255/0.204 mm，用于預(yù)測IOL中晶狀體赤道面軸向位置的誤差為0.183/0.135 mm～0.253/0.206 mm，均表現(xiàn)出了最佳性能。這說明AI對于預(yù)測白內(nèi)障術(shù)后IOL的物理軸向位置具有重要的作用。2020年，Li等[19]使用LightGBM(2.2.3)——一種實(shí)現(xiàn)梯度提升決策樹算法的框架構(gòu)建機(jī)器學(xué)習(xí)模型來預(yù)測白內(nèi)障術(shù)后ACD，結(jié)果提示該方法可被整合到IOL度數(shù)計(jì)算方法中，用以提高IOL計(jì)算公式的準(zhǔn)確性。此外，該研究團(tuán)隊(duì)發(fā)現(xiàn)：數(shù)據(jù)集的子集越大，LightGBM (2.2.3)預(yù)測術(shù)后ACD的性能越高，這說明該機(jī)器學(xué)習(xí)方法可以不斷進(jìn)行自我修正和改進(jìn)。

2.1.3 AI 與白內(nèi)障術(shù)后視力預(yù)測

由于高度近視患者眼底狀況較為復(fù)雜，術(shù)前難以確定白內(nèi)障手術(shù)對視力的影響，因此，Wei 等[20]開發(fā)了一種基于光學(xué)相干斷層掃描(optical coherence tomography，OCT)的深度學(xué)習(xí)算法，來預(yù)測此類患者的術(shù)后視力。研究團(tuán)隊(duì)共采用了5 種不同的深度學(xué)習(xí)算法，分別為ResNet-18、ResNet-34、ResNet-50、ResNet-101和incepsion-v3。之后，研究團(tuán)隊(duì)利用內(nèi)部、外部測試數(shù)據(jù)集來驗(yàn)證模型的性能，并得出內(nèi)部和外部測試數(shù)據(jù)集的平均絕對誤差(mean absolute error，MAE)分別為0.1524和0.1602 logMAR，結(jié)果較良好。這說明用OCT訓(xùn)練的深度學(xué)習(xí)算法能較好地預(yù)測白內(nèi)障術(shù)后視力，有助于高度近視白內(nèi)障患者手術(shù)方案的制定。

2.2 AI 與白內(nèi)障手術(shù)術(shù)后管理

由于眼科醫(yī)院及護(hù)理中心分散，覆蓋范圍不足，遠(yuǎn)程醫(yī)療還在起步發(fā)展階段，導(dǎo)致大部分白內(nèi)障患者的術(shù)后隨訪和護(hù)理工作不能有效地進(jìn)行。2020年，Long等[21]設(shè)計(jì)出CC-Guardian，用于管理先天性白內(nèi)障。CC-Guardian包含3個(gè)功能模塊：預(yù)測模塊，用于識別可能患有并發(fā)癥的高風(fēng)險(xiǎn)患者；調(diào)度模塊，用于安排個(gè)人的后續(xù)隨訪；遠(yuǎn)程醫(yī)療模塊，用于在每次術(shù)后檢查中就干預(yù)或持續(xù)隨訪做出決策。在內(nèi)部驗(yàn)證中，預(yù)測模塊預(yù)測視軸渾濁程度(visual axis opacification，VAO)的受試者工作曲線(receiver operating characteristic，ROC)AUC為99.1%；預(yù)測高眼內(nèi)壓(intraocular pressure，IOP)AUC為97.9%；遠(yuǎn)程醫(yī)療模塊AUC為99.6%；多中心驗(yàn)證中，預(yù)測模塊預(yù)測VAO AUC為94.4%；IOP的AUC為96.1%。遠(yuǎn)程醫(yī)療模塊提供干預(yù)決策的靈敏度為95.9%，特異性為94.5%，AUC為98.1%，與內(nèi)部驗(yàn)證的性能相當(dāng)。該系統(tǒng)能夠發(fā)現(xiàn)并解決潛在的白內(nèi)障問題，管理白內(nèi)障患者，減輕患者面臨的社會經(jīng)濟(jì)負(fù)擔(dān)，并極大地提高了患者就診效率、醫(yī)生決策效率，能夠幫助解決慢性疾病管理的問題，減少社會經(jīng)濟(jì)負(fù)擔(dān)。

2.3 AI 與白內(nèi)障手術(shù)術(shù)后隨訪

白內(nèi)障術(shù)后隨訪可以基于智能語音隨訪系統(tǒng)，達(dá)到高效術(shù)后隨訪的目的。2021年，林卓玲等[22]在新冠期間對智能語音隨訪系統(tǒng)進(jìn)行了探索，并以此評估智能系統(tǒng)在互聯(lián)網(wǎng)醫(yī)院開展在線咨詢的效果。該系統(tǒng)包括4個(gè)層次：資源層、中間件層、服務(wù)層和功能層，其核心為服務(wù)層，而服務(wù)層中最核心的為智能會話功能，該功能實(shí)現(xiàn)了術(shù)后隨訪的自動化，能夠根據(jù)用戶的回答進(jìn)行相應(yīng)的反饋，最后會提出適當(dāng)?shù)慕ㄗh。該研究的平均有效回訪率為48.6%，數(shù)值偏低，因此該系統(tǒng)還在探索中，但為互聯(lián)網(wǎng)醫(yī)療的發(fā)展提供了很好的思路和方向。

2.4 AI 與白內(nèi)障手術(shù)術(shù)后并發(fā)癥預(yù)測

白內(nèi)障術(shù)后可能會伴有并發(fā)癥，如嚴(yán)重的視軸區(qū)晶狀體混濁(severe lens proliferation into the visual axis，SLPVA)和異常高眼壓(abnormal high intraocular pressure，AHIP)。2019年，Zhang等[23]采用Apriori算法預(yù)測小兒白內(nèi)障患者術(shù)后并發(fā)癥的發(fā)生，并發(fā)現(xiàn)與并發(fā)癥相關(guān)的因素，關(guān)于并發(fā)癥的關(guān)聯(lián)規(guī)則為醫(yī)生臨床工作提供參考。研究團(tuán)隊(duì)設(shè)計(jì)了3個(gè)分類問題：1)是否存在并發(fā)癥，2)是否患有SLPVA，3)是否患有AHIP。在遺傳特征選擇的結(jié)果中，該系統(tǒng)判斷問題1)和問題2)的準(zhǔn)確性分別達(dá)到78.3%、79.5%。在附加測試中，3個(gè)分類問題的準(zhǔn)確率都分別達(dá)到65%；之后使用SMOTE算法預(yù)處理數(shù)據(jù)集，然后利用隨機(jī)森林和樸素貝葉斯分類器對樣本進(jìn)行分類，解決3個(gè)二元分類問題的所有平均準(zhǔn)確度都超過91%，甚至達(dá)到95%。該系統(tǒng)可以為醫(yī)生預(yù)測小兒白內(nèi)障術(shù)后并發(fā)癥的發(fā)病率提供參考，幫助患者早期進(jìn)行干預(yù)治療，促進(jìn)患者視功能的恢復(fù)。

3 AI 與白內(nèi)障手術(shù)培訓(xùn)和教學(xué)

AI可用于完善眼科醫(yī)生手術(shù)技能，提高其術(shù)中操作能力。Forslund Jacobsen等[24]于2020年驗(yàn)證Eyesi Simulator(一種白內(nèi)障手術(shù)模擬器)對于眼科醫(yī)生手術(shù)操作提高的有效性，讓進(jìn)行過100次以上手術(shù)操作的白內(nèi)障醫(yī)生選擇與學(xué)習(xí)目標(biāo)相對應(yīng)的模塊和難度級別，包括撕囊、玻璃體切除術(shù)等，并對他們進(jìn)行培訓(xùn)。結(jié)果證明：通過這種虛擬現(xiàn)實(shí)的白內(nèi)障手術(shù)培訓(xùn)，白內(nèi)障醫(yī)生的手術(shù)能力得到了提升，手術(shù)性能得到改善；而且相比傳統(tǒng)的白內(nèi)障手術(shù)培訓(xùn)方法，其培訓(xùn)效果更為顯著[25]；此外，通過這種高級白內(nèi)障手術(shù)培訓(xùn)程序的訓(xùn)練后，并發(fā)癥(如后囊破裂)的出現(xiàn)減少，對手術(shù)的安全性和高效性都有所促進(jìn)。

醫(yī)生在手術(shù)后的回顧對于自身的提高以及治療的質(zhì)量都有著重要的意義。Jacobsen等[26]在2019 年應(yīng)用白內(nèi)障手術(shù)的客觀結(jié)構(gòu)評估系統(tǒng)(objective structured assessment of cataract surgical skills，OSACSS)，研究了虛擬現(xiàn)實(shí)模擬器的性能與現(xiàn)實(shí)白內(nèi)障手術(shù)性能之間的相關(guān)性。OSACSS是一種基于視頻對白內(nèi)障手術(shù)各個(gè)步驟表現(xiàn)進(jìn)行評估的工具，在評估白內(nèi)障手術(shù)技巧時(shí)被廣泛使用，并且被視為評估白內(nèi)障手術(shù)技術(shù)的金標(biāo)準(zhǔn)。OSACSS可以從不同維度，如穿刺、撕囊、超聲乳化技術(shù)等對手術(shù)視頻進(jìn)行評分，評分級別包括是否失誤、是否猶豫等。各個(gè)級別對應(yīng)不同的分?jǐn)?shù)，以此達(dá)到對白內(nèi)障手術(shù)視頻評分的目的。研究團(tuán)隊(duì)使用多中心雙盲研究，并采用線性回歸的方法，得出模擬器性能得分與OSACSS平均得分之間均具有顯著相關(guān)性的結(jié)論，皮爾森相關(guān)性為0.65(P=0.003，R2=0.42)，這表明在評估外科手術(shù)能力時(shí)有必要增加VR模擬器的使用。這種基于手術(shù)視頻的評分系統(tǒng)有利于眼科醫(yī)生對于自身技術(shù)進(jìn)行評估，然后根據(jù)現(xiàn)有的失誤進(jìn)行反復(fù)總結(jié)，讓手術(shù)技術(shù)不斷完善，日臻完美。同時(shí)，醫(yī)院也可以用該技術(shù)對醫(yī)生進(jìn)行水平評估，以督促每一位醫(yī)生的學(xué)習(xí)和醫(yī)術(shù)的精進(jìn)。這不但有利于醫(yī)生的個(gè)人發(fā)展，也提高了治療水平。因此，OSACSS的應(yīng)用有利于眼科教育事業(yè)的發(fā)展。

4 AI 在白內(nèi)障手術(shù)治療和教學(xué)應(yīng)用中的問題

AI在白內(nèi)障手術(shù)治療和教學(xué)應(yīng)用方面還有很大的發(fā)展空間，同時(shí)也面臨著許多問題：1)數(shù)據(jù)不充足。在上述提到的術(shù)后隨訪服務(wù)中，由于小兒白內(nèi)障等眼科罕見病的數(shù)據(jù)還不夠多，還不能支持多中心研究的順利進(jìn)行。因此，需要各研究中心的數(shù)據(jù)共享，讓其在線系統(tǒng)收集到更多的數(shù)據(jù)，惠及醫(yī)生和患者；2)AI系統(tǒng)需繼續(xù)改進(jìn)。在智能語音隨訪系統(tǒng)中，語音識別系統(tǒng)的識別能力有待提高，在抗噪性、敏感性等方面都應(yīng)該繼續(xù)完善；3)隱私問題。大數(shù)據(jù)時(shí)代雖然給人們帶來了諸多便利，但人們的信息安全也受到了威脅。因此在眼科AI的發(fā)展過程中，還應(yīng)注意患者信息的保護(hù)，避免患者個(gè)人隱私被泄露。

5 結(jié)語

為提高治愈率，為患者提供更好的服務(wù)，AI 還可以從以下方面對白內(nèi)障手術(shù)進(jìn)行完善：1)智能手術(shù)儀器[27]?？商剿鞲嘣O(shè)備的智能化，如利用深度學(xué)習(xí)模型使白內(nèi)障超聲乳化設(shè)備實(shí)現(xiàn)智能工作，自動識別眼內(nèi)組織，提高手術(shù)效率；2)并發(fā)癥預(yù)測和治療。通過AI輔助，預(yù)測術(shù)后并發(fā)癥如干眼[28]、黃斑水腫[29]、后囊破裂等情況的發(fā)生。同時(shí)，由于超聲乳化手術(shù)、抽吸術(shù)的普及和推廣，后發(fā)性白內(nèi)障(posterior capsular opacification，PCO)也愈加常見。AI可以通過精確撕囊直徑大小、優(yōu)化IOL材質(zhì)預(yù)測并降低PCO發(fā)病率，減少術(shù)后并發(fā)癥的發(fā)生；3)精準(zhǔn)預(yù)測和矯正術(shù)前散光[30]。在白內(nèi)障手術(shù)中進(jìn)行散光矯正時(shí)，術(shù)前角膜散光對于IOL植入后超聲乳化術(shù)后散光[31]的預(yù)測具有重要意義，而AI可以用于整合角膜散光數(shù)據(jù)，以精準(zhǔn)矯正術(shù)前散光，預(yù)測術(shù)后散光。目前，術(shù)后屈光散光基本可以回歸方程進(jìn)行準(zhǔn)確預(yù)測，而斜散光尚未能完全精準(zhǔn)預(yù)測[32]，研究人員可以考慮用AI技術(shù)輔助預(yù)測。

綜上，AI在白內(nèi)障手術(shù)治療和教學(xué)方面的應(yīng)用大有前景，我們對其未來的發(fā)展拭目以待。

開放獲取聲明

本文適用于知識共享許可協(xié)議(Creative Commons)，允許第三方用戶按照署名(BY)-非商業(yè)性使用(NC)-禁止演繹(ND)(CC BY-NC-ND)的方式共享，即允許第三方對本刊發(fā)表的文章進(jìn)行復(fù)制、發(fā)行、展覽、表演、放映、廣播或通過信息網(wǎng)絡(luò)向公眾傳播，但在這些過程中必須保留作者署名、僅限于非商業(yè)性目的、不得進(jìn)行演繹創(chuàng)作。詳情請?jiān)L問：https://creativecommons.org/licenses/by-ncnd/4.0/。