余燕 侯銀芬 吳昌凡 張鵬飛

人工智能(artificial intelligence，AI)[1]于1956年由McCarthy將其定義為“制造智能機(jī)器的科學(xué)”[2]。機(jī)器學(xué)習(xí)(machine learning,ML)是指使計(jì)算機(jī)自身具有學(xué)習(xí)能力。深度學(xué)習(xí)(deep learning，DL)(也稱為深度結(jié)構(gòu)學(xué)習(xí)、深度機(jī)器學(xué)習(xí)或者是深度神經(jīng)網(wǎng)絡(luò))是一類算法的集合，用大量人工神經(jīng)元廣泛連接而組成的人工網(wǎng)絡(luò)。DL在機(jī)器學(xué)習(xí)、專家系統(tǒng)、信息處理等領(lǐng)域獲得了顯著成就，是AI的重要研究領(lǐng)域，近些年引起世界上廣大研究人員的青睞[3]。

AI在各個(gè)領(lǐng)域廣泛應(yīng)用，給人們的生活帶來(lái)了極大的便捷，如專家系統(tǒng)、智能機(jī)器人、虹膜識(shí)別、無(wú)人駕駛等。在醫(yī)學(xué)領(lǐng)域，如電子病歷系統(tǒng)、藥物研發(fā)、基因測(cè)序等。目前，醫(yī)學(xué)影像輔助診斷已獲得的研究成果表明，AI在醫(yī)療保健領(lǐng)域的日益融合有望在未來(lái)幾年重塑和改變臨床醫(yī)學(xué)實(shí)踐[4]。在眼科學(xué)涉及的領(lǐng)域有自動(dòng)視網(wǎng)膜圖像分析系統(tǒng)(automatic retinal image analysis system,ARIAS)[5]、光學(xué)相干斷層掃描(optical coherence tomography,OCT)分析、視野分析等。隨著DL技術(shù)發(fā)展，AI平臺(tái)從常見(jiàn)致盲的眼部疾病，例如青光眼、年齡相關(guān)性黃斑變性(age-related macular degeneration，AMD)和糖尿病視網(wǎng)膜病變(diabetic retinopathy,DR)等，也逐漸推廣到其他眼科疾病診治，包括早產(chǎn)兒視網(wǎng)膜病變[6]、白內(nèi)障[7]、圓錐角膜[8]和基底細(xì)胞癌切除術(shù)后的眼部結(jié)構(gòu)重建[9]。本文對(duì)運(yùn)用AI及DL技術(shù)在輔助檢測(cè)常見(jiàn)致盲眼病的應(yīng)用現(xiàn)狀和進(jìn)展進(jìn)行綜述。

1 DL的原理

AI、ML和DL這3個(gè)術(shù)語(yǔ)有時(shí)可以作為同義詞，但是分辨和區(qū)分三者很重要。AI是指系統(tǒng)能靈活、有效、創(chuàng)造性地進(jìn)行信息獲取、信息處理、信息利用的能力。適用于能夠通過(guò)模仿人類智能執(zhí)行任務(wù)的計(jì)算機(jī)系統(tǒng)的開(kāi)發(fā)，如視覺(jué)感知、決策制定和語(yǔ)音識(shí)別等。算法和大數(shù)據(jù)是AI的主要組成部分：算法是橋梁，大數(shù)據(jù)是基礎(chǔ)，對(duì)大數(shù)據(jù)的分析將會(huì)影響諸如基因組分析、靶向治療藥物檢測(cè)和治療商業(yè)化等領(lǐng)域，以及許多其他應(yīng)用。

ML是AI的一個(gè)子領(lǐng)域，它可以在有經(jīng)驗(yàn)的任務(wù)中不斷改進(jìn)，自己學(xué)習(xí)，能不斷總結(jié)經(jīng)驗(yàn)、吸取教訓(xùn)及自我完善。學(xué)習(xí)是AI的重要特征和獲取知識(shí)的能力。ML技術(shù)的目的是在給定的數(shù)據(jù)中自動(dòng)識(shí)別復(fù)雜的模式，因此，在新的數(shù)據(jù)中允許作出推論和預(yù)測(cè)。ML技術(shù)代表著一種用于分析高維和高度復(fù)雜屬性的醫(yī)學(xué)數(shù)據(jù)工具，允許多種模式的數(shù)據(jù)及先驗(yàn)知識(shí)的合并和減少干擾性數(shù)據(jù)[10]。

DL是指由用于提取和轉(zhuǎn)換特征數(shù)的一連串多層人工神經(jīng)網(wǎng)絡(luò)算法組成[11]。受人腦結(jié)構(gòu)的啟發(fā)，模擬人類大腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能，卷積神經(jīng)網(wǎng)絡(luò)由成千上萬(wàn)能執(zhí)行復(fù)雜任務(wù)的獨(dú)立神經(jīng)元組成，例如基于像素和體素密度的圖像識(shí)別和分類。在網(wǎng)絡(luò)中上一層的輸出結(jié)果作為下一層的輸入數(shù)據(jù)，最后一層揭示輸出的診斷結(jié)果。訓(xùn)練這種類型的網(wǎng)絡(luò)系統(tǒng)需要重復(fù)調(diào)整在大多數(shù)教學(xué)案例中所謂的反向傳播算法中獲得的連接參數(shù)和權(quán)值。系統(tǒng)反復(fù)重復(fù)這個(gè)過(guò)程，直到輸出的診斷結(jié)果和人類劃分正確范圍的參考標(biāo)準(zhǔn)一致。DL可視為傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的革新，可以分為監(jiān)督(基于分類器)或者無(wú)監(jiān)督(基于分析模型)。后者代表的是DL中具有巨大吸引力的模塊之一，不需要手動(dòng)標(biāo)識(shí)特征，自主分析大量數(shù)據(jù)集以發(fā)現(xiàn)潛在的模式。從臨床上說(shuō)，代替研究者手動(dòng)編碼算法，例如微動(dòng)脈瘤(microaneurysm，MA)、新生血管性復(fù)葉和DR眼底圖像相似，但給它們輸入圖像標(biāo)簽作為重度非增殖性糖尿病視網(wǎng)膜病變，當(dāng)具有足夠多的標(biāo)簽數(shù)據(jù)時(shí)，計(jì)算機(jī)最終學(xué)會(huì)識(shí)別。為了實(shí)現(xiàn)自我訓(xùn)練，DL神經(jīng)網(wǎng)絡(luò)依賴于擁有一個(gè)多種且足夠大的可以使用的數(shù)據(jù)集。在眼科學(xué)背景下，DL技術(shù)有可能可以識(shí)別自己的識(shí)別模式超出人類可以解釋和分析范圍。傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)不能有效地利用醫(yī)學(xué)圖像中蘊(yùn)含的豐富信息,而DL技術(shù)可以通過(guò)模擬人腦的分層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),對(duì)輸入數(shù)據(jù)逐級(jí)提取從底層到高層的特征,建立從底層信號(hào)到高層語(yǔ)義的映射關(guān)系,具有自動(dòng)提取特征、構(gòu)建復(fù)雜模型的能力，更重要的是DL方法能從像素級(jí)的原始數(shù)據(jù)中逐級(jí)提取特征。

2 眼科輔助診斷中的運(yùn)用

2.1 DR糖尿病引起的眼部并發(fā)癥很多，其中DR是糖尿病最嚴(yán)重的并發(fā)癥之一，是50歲以上患者致盲眼病之一。隨著生活水平的提高，糖尿病患者數(shù)量呈逐年遞增趨勢(shì)，預(yù)計(jì)至2040年全球?qū)⒂?億糖尿病患者，其中1/3伴有DR[12]。視網(wǎng)膜圖像被廣泛用于DR的診斷和提高診療依據(jù)，隨著糖尿病患者數(shù)量的日益增加，僅僅依靠眼科醫(yī)師對(duì)視網(wǎng)膜圖像的人工分級(jí)進(jìn)行DR的年度篩查具有極大的挑戰(zhàn)性。近年來(lái)市場(chǎng)上開(kāi)發(fā)了大量用于自動(dòng)檢測(cè)DR的程序，如ARIAS，可以提供臨床上經(jīng)濟(jì)有效的視網(wǎng)膜病變檢測(cè)。Mushlin等[13]開(kāi)發(fā)的DL系統(tǒng)已經(jīng)獲得美國(guó)食品和藥品管理局批準(zhǔn)用于DR診斷，達(dá)到 87.2%的靈敏感度和90.7%的特異度。這些系統(tǒng)有望顯著提高DR的診斷能力，篩查系統(tǒng)將降低人工分級(jí)的依賴和負(fù)擔(dān)、提升整體效率以及在開(kāi)發(fā)或遠(yuǎn)程醫(yī)療保健環(huán)境中提供DR的篩查。Tufail等[14]根據(jù)DR國(guó)際臨床分級(jí)標(biāo)準(zhǔn)將視網(wǎng)膜圖片人為分級(jí)并篩選，使用3種ARIAS進(jìn)行分析:iGradingM(英國(guó)，曼切斯特)、Retmarker(葡萄牙)和EyeArt(美國(guó)，加利福尼亞州)。研究者發(fā)現(xiàn)關(guān)于DR的分級(jí)，Retmarker和EyeArt與人工分級(jí)相比具有較好的靈敏度和更好的成本效益。雖然現(xiàn)在市場(chǎng)上涌現(xiàn)出大批ARIAS，但是視網(wǎng)膜病變的病因繁雜，將每一個(gè)都兼容并運(yùn)用不同的算法還比較困難。Torok等[15]研究顯示，52例糖尿病患者中，39例有DR跡象，提取每眼淚液蛋白質(zhì)組學(xué)和視網(wǎng)膜圖像樣本，蛋白質(zhì)組學(xué)的分析結(jié)果和眼底圖像上檢測(cè)的MA數(shù)作為機(jī)器學(xué)習(xí)系統(tǒng)的輸入信息，采用監(jiān)督學(xué)習(xí)技術(shù)，10倍交叉驗(yàn)證結(jié)果顯示，單獨(dú)使用MA檢測(cè)方法其靈敏度和特異度分別是84%和81%，使用蛋白質(zhì)組學(xué)進(jìn)行分析其靈敏度和特異度分別是87%和68%，將二者數(shù)據(jù)整合后分析時(shí)其靈敏度和特異度分別是93%和78%。展現(xiàn)了DL技術(shù)多因素分析的顯著優(yōu)勢(shì)，兩種不同類型的數(shù)據(jù)其輸出結(jié)果雖然相互獨(dú)立但又相互補(bǔ)充。

視網(wǎng)膜眼底圖像廣泛用于DR的診斷和提供治療依據(jù)，為了提高疾病篩查的診斷和應(yīng)用ML方法并基于滑動(dòng)窗口對(duì)眼底圖像進(jìn)行分類，Krishnamoorthy等[16]設(shè)計(jì)了一種糖尿病眼底圖像復(fù)原的方法。該方法的初始階段基于滑動(dòng)窗口方法選取眼底圖像中視杯的特征，據(jù)此，可以評(píng)估DR的疾病狀態(tài)。糖尿病眼底圖像復(fù)原的方法是基于直方圖的值使用滑動(dòng)窗口獲得特征數(shù)據(jù)。在第二階段，使用支持向量模型，可以有效對(duì)DR進(jìn)行分級(jí)。每個(gè)候選組的疾病等級(jí)排序?yàn)殚_(kāi)發(fā)實(shí)用的DR自動(dòng)診斷系統(tǒng)提供了非常有希望的結(jié)果。使用糖尿病眼底圖像復(fù)原方法對(duì)眼底圖像進(jìn)行的實(shí)驗(yàn)，研究了靈敏度、特異度、排序效率和特征選擇時(shí)間等因素。

Lam等[17]為了開(kāi)發(fā)一種使用有限的一組訓(xùn)練數(shù)據(jù)集來(lái)定位和識(shí)別視網(wǎng)膜圖像中多種類型的發(fā)現(xiàn)而無(wú)需硬編碼特征提取的自動(dòng)化方法，將這些方法推廣到罕見(jiàn)疾病檢測(cè)的一個(gè)步驟，在檢測(cè)中，有可用的有限數(shù)量的訓(xùn)練數(shù)據(jù)。2名眼科醫(yī)生驗(yàn)證了243幅視網(wǎng)膜圖像，標(biāo)記了圖像的重要部分，從Kaggle數(shù)據(jù)集生成了1324幅圖像塊，包含出血、MA、滲出、視網(wǎng)膜新生血管或正常外觀結(jié)構(gòu)。這些圖像塊被用來(lái)訓(xùn)練一個(gè)標(biāo)準(zhǔn)卷積神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)這5個(gè)類別的存在。使用滑動(dòng)窗口方法生成整個(gè)圖像的概率圖。該方法在148張MA和47張滲出的全視網(wǎng)膜圖像的eOphta數(shù)據(jù)集上得到驗(yàn)證。對(duì)于MA和滲出，分別實(shí)現(xiàn)了受試者工作特征曲線下面積(the area under the receiver operator characteristic curve,AUC)為0.94和0.95的區(qū)域像素級(jí)分類，以及精確回憶曲線下0.86和0.64的病灶區(qū)域。區(qū)域訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)可以生成特定病變的概率圖，能夠檢測(cè)和區(qū)分細(xì)微的病變，而每個(gè)病變只需有幾百個(gè)訓(xùn)練例子。

DR是工作人群失明的主要原因，視網(wǎng)膜血管滲漏引起的MA是DR的早期征兆。MA的微小病變和視網(wǎng)膜背景之間的低對(duì)比度使得自動(dòng)MA檢測(cè)比較困難。DL技術(shù)被用于自動(dòng)提取特征和分類問(wèn)題，尤其是用于圖像分析。Shan等[18]提出了堆疊稀疏自動(dòng)編碼器從像素級(jí)強(qiáng)度中學(xué)習(xí)高級(jí)特征被反饋到分類器中，將每個(gè)圖像塊分類為MA或非MA。公共基準(zhǔn)DIARETDB用于測(cè)試數(shù)據(jù)，在89個(gè)圖像中，共有2182個(gè)具有MA損傷的圖像斑塊用作陽(yáng)性數(shù)據(jù)，通過(guò)隨機(jī)滑動(dòng)窗口操作產(chǎn)生另外6230個(gè)沒(méi)有MA損傷的圖像斑塊，作為負(fù)數(shù)據(jù)。在沒(méi)有任何血管移除或復(fù)雜的預(yù)處理操作的情況下，堆疊稀疏自動(dòng)編碼器直接從原始圖像塊中學(xué)習(xí)，自動(dòng)提取特征以使用Softmax分類器對(duì)圖像塊進(jìn)行分類。通過(guò)采用微調(diào)操作，使用10倍交叉驗(yàn)證實(shí)現(xiàn)了91.3%改進(jìn)的F-測(cè)量值和平均0.96的AUC。

Dsw等[19]就一種DL系統(tǒng)運(yùn)用于多種族群體糖尿病患者進(jìn)行了報(bào)道。雖然組成訓(xùn)練集的視網(wǎng)膜圖像來(lái)全部自新加坡DR篩查項(xiàng)目(SIDRP),但由另外10個(gè)來(lái)自不同國(guó)家臨床糖尿病患者多種族群體數(shù)據(jù)集進(jìn)一步進(jìn)行外界驗(yàn)證。研究人員強(qiáng)調(diào)了在臨床上開(kāi)發(fā)和測(cè)試DL應(yīng)用的重要性，這些應(yīng)用采用來(lái)自不同類型相機(jī)和不同種族的具有代表性的DR篩查群體的不同質(zhì)量不同視網(wǎng)膜圖像。

除了檢測(cè)DR(定義為重度NPDR或PDR)，DL算法也被訓(xùn)練用于識(shí)別白內(nèi)障、青光眼[20]或AMD[21]，研究人員曾指出除了關(guān)于臨床糖尿病篩查計(jì)劃，其他威脅視力的篩查也應(yīng)該是強(qiáng)制性的。

2.2 白內(nèi)障全球因白內(nèi)障致失明者大約2500萬(wàn)人，導(dǎo)致低視力者3倍于此數(shù)字，即約6000萬(wàn)。因此，白內(nèi)障是防盲治盲最優(yōu)先考慮的眼病，手術(shù)可使白內(nèi)障失明者視力恢復(fù)正常或有用視力，手術(shù)時(shí)機(jī)對(duì)于白內(nèi)障患者至關(guān)重要。但因白內(nèi)障病史較長(zhǎng)，需長(zhǎng)期隨訪檢查，在發(fā)展中國(guó)家和低收入地區(qū)給白內(nèi)障防盲工作帶來(lái)了困難。為解決以上問(wèn)題，李建強(qiáng)等[22]基于臨床眼底圖像，使用深度卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)直接從輸入的原始數(shù)據(jù)中學(xué)習(xí)有用的特征，對(duì)比分析 CNN 自動(dòng)提取的特征與預(yù)定義特征的性能表現(xiàn)。然后利用反卷積神經(jīng)網(wǎng)絡(luò)量化分析 CNN 各個(gè)中間層的特征，進(jìn)一步研究輸入圖像中對(duì) CNN 的預(yù)測(cè)貢獻(xiàn)最大的像素集，探究 CNN 表征白內(nèi)障的具體過(guò)程。結(jié)果使用DL方法構(gòu)建的分類器在分類任務(wù)中達(dá)到 0.818 6 的平均準(zhǔn)確率。與現(xiàn)有的預(yù)定義特征集相比，利用深度 CNN 自動(dòng)提取的特征集能提供更好的白內(nèi)障特征表示。

先天性白內(nèi)障是一種典型的罕見(jiàn)疾病，且伴不可逆視力喪失，晶狀體混濁在出生時(shí)即已存在，隨年齡增長(zhǎng)而加重，約占新生盲的30%。近年運(yùn)用AI在對(duì)先天性白內(nèi)障需要及時(shí)手術(shù)介入以移除混濁的晶狀體以及嚴(yán)格的隨訪來(lái)管理術(shù)后并發(fā)癥等方面獲得極大的作用。Long等[23]使用DL算法的深度CNN創(chuàng)建先天性白內(nèi)障檢測(cè)器，涉及3個(gè)功能的AI代理網(wǎng)絡(luò):(1) 人群中先天性白內(nèi)障篩查的識(shí)別網(wǎng)絡(luò)，旨在從大量人群中識(shí)別潛在的患者；(2)先天性白內(nèi)障患者風(fēng)險(xiǎn)分層評(píng)估網(wǎng)絡(luò)； (3) 策略師協(xié)助眼科醫(yī)生作出診療決策的網(wǎng)絡(luò)。并且進(jìn)行了一項(xiàng)基于網(wǎng)站的多醫(yī)院臨床試驗(yàn)和“大海撈針”測(cè)試來(lái)驗(yàn)證它的多功能性和效用，結(jié)果顯示出較好的準(zhǔn)確性和效率。

2.3 青光眼青光眼是我國(guó)主要致盲原因之一，也是全世界致盲的第二位原因，青光眼引起的視功能損傷是不可逆的，后果極為嚴(yán)重，因此預(yù)防青光眼盲十分重要。只要早發(fā)現(xiàn)并聯(lián)合早期合理治療，絕大多數(shù)患者可終止病情進(jìn)展，保持有用的視功能。大范圍普及青光眼篩查項(xiàng)目是早期發(fā)現(xiàn)青光眼切實(shí)可行的重要手段。但局限于醫(yī)療設(shè)施水平以及眼科醫(yī)生的診療水平和數(shù)量，每年因青光眼而失明的人數(shù)并沒(méi)有得到很好的控制。Chen等[24]開(kāi)發(fā)了一種CNN的DL技術(shù)用于自動(dòng)診斷青光眼。例如DL系統(tǒng)中的CNN可以推斷圖像的層次表示，以區(qū)分青光眼和非青光眼協(xié)助診斷。所提出的DL架構(gòu)包含6個(gè)學(xué)習(xí)層次：4個(gè)卷積層和2個(gè)完全連接的層。在ORIGA和SCES數(shù)據(jù)集上進(jìn)行了大量實(shí)驗(yàn)，結(jié)果顯示，2個(gè)數(shù)據(jù)庫(kù)青光眼檢測(cè)中AUC分別為 0.831 和0.887，遠(yuǎn)優(yōu)于現(xiàn)有技術(shù)。

Asaoka等[25]使用DL方法從健康眼的視野中區(qū)分可疑開(kāi)角型青光眼患者的視野，其共分析了51例開(kāi)角型青光眼患者的171個(gè)可疑青光眼視野和來(lái)自87名健康參與者的108個(gè)視野。 52個(gè)總偏差、平均偏差和模式標(biāo)準(zhǔn)偏差值被用作DL分類器中的預(yù)測(cè)因子：深度前饋神經(jīng)網(wǎng)絡(luò)(feedforward neural network，F(xiàn)NN)，以及其他機(jī)器學(xué)習(xí)方法，包括隨機(jī)森林、梯度增強(qiáng)、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)(neural network，NN)。AUC用于評(píng)估每種方法的鑒別準(zhǔn)確度。使用深度FNN分類器獲得較大的AUC為92.6%[95%置信區(qū)間(confidence interval，CI)，89.8%～95.4%] ，與其他所有機(jī)器學(xué)習(xí)方法相比：隨機(jī)森林為79.0%(95%CI，73.5%～84.5%)，梯度增強(qiáng)為77.6%(95%CI，71.7%～83.5%),支持向量機(jī)和NN分別為 71.2% (95% CI,65.0%～77.5%)和66.7%(95%CI，60.1%～73.3%)。研究表明使用深度FNN分類器區(qū)分健康視野與可疑青光眼的視野具有顯著的準(zhǔn)確度，為青光眼早期診斷、及時(shí)轉(zhuǎn)診和治療提供了便捷。

2.4 AMDAMD多為50歲以上患者雙眼先后或同時(shí)發(fā)病，視力呈進(jìn)行性損害，其發(fā)病率隨年齡增加而增高[26]。運(yùn)用AI及DL技術(shù)來(lái)開(kāi)發(fā)基于眼底圖像自動(dòng)檢測(cè)AMD的方法，以自動(dòng)評(píng)估這些圖像并推進(jìn)AI進(jìn)展。深度卷積神經(jīng)將經(jīng)過(guò)精確訓(xùn)練以執(zhí)行自動(dòng)分級(jí)AMD的網(wǎng)絡(luò)與使用轉(zhuǎn)移學(xué)習(xí)和通用功能的替代DL方法以及經(jīng)過(guò)培訓(xùn)的臨床分級(jí)員進(jìn)行比較。Fang等[27]使用幾個(gè)需要進(jìn)行不同數(shù)據(jù)分區(qū)的實(shí)驗(yàn)，機(jī)器算法和人類評(píng)分員在評(píng)估超過(guò)130 000 張來(lái)自4613名具有不同年齡、性別和種族/民族的圖像，參照黃金標(biāo)準(zhǔn)包括國(guó)家研究所健康年齡相關(guān)的眼病研究數(shù)據(jù)集評(píng)估準(zhǔn)確度、接受器工作特性、AUC以及kappa評(píng)分。深度CNN方法得出的準(zhǔn)確度介于88.4%(0.5%)和91.6%(0.1%)之間。接收器工作特征AUC在0.94和0.96之間，kappa系數(shù)(SD)在0.764(0.010)和0.829(0.003)之間，表明與金標(biāo)準(zhǔn)年齡相關(guān)的眼疾病研究數(shù)據(jù)集基本一致。應(yīng)用基于DL技術(shù)從眼底圖像自動(dòng)評(píng)估AMD可以產(chǎn)生與人類相似的水平。這項(xiàng)研究表明，自動(dòng)化算法可以在AMD當(dāng)前的管理中發(fā)揮類似于人類專家分級(jí)的作用，并且可以解決篩查或監(jiān)測(cè)的大量費(fèi)用。

頻域光學(xué)相干斷層掃描(spectral-domain optical coherence tomography,SD-OCT)已廣泛用于多種眼科疾病診斷的輔助檢查，為了開(kāi)發(fā)在SD-OCT中使用DL來(lái)自動(dòng)檢測(cè)AMD。Treder等[28]使用AMD患者和健康對(duì)照組總共1112個(gè)橫截面SD-OCT圖像進(jìn)行研究。在第一步中，一個(gè)開(kāi)源的多層深度CNN，預(yù)先訓(xùn)練來(lái)自ImageNet的120萬(wàn)張圖像，使用1012個(gè)橫截面SD-OCT掃描訓(xùn)練和驗(yàn)證(AMD：701;健康：311)。在此過(guò)程中，計(jì)算了訓(xùn)練準(zhǔn)確性、驗(yàn)證準(zhǔn)確度和交叉熵。開(kāi)源DL框架TensorFlowTM(Google Inc.，Mountain View，CA，USA)用于加速DL過(guò)程。最后，使用上述DL過(guò)程的信息，在檢測(cè)100個(gè)未經(jīng)訓(xùn)練的橫截面SD-OCT圖像(AMD：50;健康：50)中測(cè)試創(chuàng)建的深度CNN分類器。計(jì)算出AMD測(cè)試分?jǐn)?shù)為0.98 或推測(cè)更高。經(jīng)過(guò)500次迭代訓(xùn)練，訓(xùn)練準(zhǔn)確度和驗(yàn)證準(zhǔn)確性均為100%，交叉熵為0.005。 AMD測(cè)試組的AMD評(píng)分為(0.997±0.003)分，健康對(duì)照組為(0.920±0.085)分。兩組之間差異非常顯著(P<0.001)。通過(guò)使用TensorFlowTM的DL方法，可以高靈敏度和特異度地檢測(cè)SD-OCT中的AMD。隨著更多的圖像數(shù)據(jù)生成，這種分類器的擴(kuò)展可用于其他黃斑疾病或AMD的進(jìn)一步深入研究，這表明該模型的應(yīng)用可作為臨床決策支持。在未來(lái)，另一種可能的應(yīng)用將涉及通過(guò)自動(dòng)檢測(cè)隱藏圖像信息預(yù)測(cè)不同疾病的治療進(jìn)展和成功的幾率。

3 DL技術(shù)的缺陷

DL技術(shù)在輔助檢測(cè)眼病及疾病預(yù)測(cè)等方面具有良好的性能，但仍然存在一些亟待解決的問(wèn)題：(1)雖然有越來(lái)越多的文獻(xiàn)支持DL在眼科學(xué)中的應(yīng)用，但最重要的工作是繼續(xù)采取臨床驗(yàn)證和最終的實(shí)施，目前許多團(tuán)體已經(jīng)證明DL系統(tǒng)在公共數(shù)據(jù)集上使用具有良好的性能，但DL系統(tǒng)沒(méi)有在現(xiàn)實(shí)的篩選計(jì)劃中進(jìn)行大量測(cè)試；(2)DL根據(jù)疾病和訓(xùn)練集創(chuàng)建疾病預(yù)測(cè)模型，訓(xùn)練集的噪聲數(shù)據(jù)將會(huì)影響預(yù)測(cè)模型的性能，許多研究使用的訓(xùn)練集是來(lái)自相對(duì)同質(zhì)的患者群體，且將每只眼睛視為獨(dú)立，忽略了患者整體眼睛的協(xié)變量[29]以及視野寬度、視野、圖像放大率、圖像質(zhì)量和參與者種族等；(3)在眼科學(xué)中開(kāi)發(fā)AI模型的另一個(gè)挑戰(zhàn)是關(guān)于罕見(jiàn)疾病因其數(shù)據(jù)可用性有限；(4)還存在諸如青光眼之類的疾病，在疾病表型的定義中存在不一致和觀察者間的變異性。該算法從它們呈現(xiàn)的內(nèi)容中學(xué)習(xí)，如果給予AI圖像的訓(xùn)練集太小或不能代表真實(shí)的患者群體，則該軟件不太可能產(chǎn)生準(zhǔn)確的結(jié)果；(5)AI目標(biāo)是在較大的圖像集上進(jìn)行訓(xùn)練，包含多種類型的圖像，如不同的眼底照相機(jī)、視野成像、散瞳與非散瞳圖像等。但目前沒(méi)有標(biāo)準(zhǔn)的訓(xùn)練集，在訓(xùn)練集中缺乏統(tǒng)一的診斷參考標(biāo)準(zhǔn)和解決評(píng)分者分歧的方法；(6)算法有時(shí)無(wú)法準(zhǔn)確區(qū)分潛在的偽像與真實(shí)；(7)現(xiàn)在可能最多的關(guān)注還是DL的“黑匣子”性質(zhì)，其產(chǎn)出的基本原理由算法生成，算法由醫(yī)生和編程它們的工程師共同完成，由于專業(yè)不同就可能產(chǎn)生理解偏差，這是由編程的工程師最終決定的。所以應(yīng)大量培養(yǎng)具有醫(yī)學(xué)知識(shí)的計(jì)算機(jī)人才。此外，目前尚缺乏綜合預(yù)測(cè)模型，只能進(jìn)行少數(shù)單一疾病預(yù)測(cè)，眾多疾病預(yù)測(cè)模型并且缺乏疾病標(biāo)準(zhǔn)預(yù)測(cè)模型將削減臨床效益。最后，無(wú)監(jiān)督DL技術(shù)有待進(jìn)一步發(fā)掘和完善，應(yīng)將自動(dòng)圖像分析技術(shù)融入臨床實(shí)踐，但這最終是否會(huì)導(dǎo)致醫(yī)生技能和臨床敏銳度下降而過(guò)分依賴技術(shù)也是人們所擔(dān)憂的問(wèn)題。

4 展望

DL技術(shù)與臨床的日益融合將會(huì)給疾病大面積的篩查帶來(lái)便捷，能夠更加完善疾病的一級(jí)預(yù)防，給更多的患者帶來(lái)希望，不僅能緩解醫(yī)療機(jī)構(gòu)的壓力，而且將會(huì)解決臨床資源分配不足的問(wèn)題，并且能以更高的準(zhǔn)確度和更好的敏感度預(yù)測(cè)疾病，增加臨床診斷的客觀過(guò)程，無(wú)疲勞操作,可以幫助臨床更好地調(diào)整治療方案?；谘劭朴跋穹治鲞\(yùn)用AI及DL技術(shù)輔助檢測(cè)眼科疾病將會(huì)是業(yè)界的熱門(mén)課題，希望未來(lái)能夠建立更加系統(tǒng)的預(yù)測(cè)模型，納入更多的評(píng)估因素進(jìn)行多模態(tài)分析。

隨著現(xiàn)代具有診斷意義的設(shè)備以及影像學(xué)和基因組學(xué)的發(fā)展，關(guān)于疾病早期診斷和患者管理有了可以使用的新數(shù)據(jù)源。DL作為一項(xiàng)臨床決策依據(jù)的技術(shù)，用于提高疾病檢測(cè)和監(jiān)測(cè)的靈敏度和特異度，增加臨床作出決策過(guò)程中的客觀性，顯著增強(qiáng)了診斷成像的能力，有益于大范圍開(kāi)展疾病篩查計(jì)劃。雖然國(guó)內(nèi)外學(xué)者在此領(lǐng)域中開(kāi)展了一些研究工作，并取得了階段性的成果，但仍需進(jìn)一步深入研究。