楊雪瑩 綜述 李建橋 審校

(山東大學(xué)齊魯醫(yī)院眼科，濟(jì)南 250012)

嬰幼兒時(shí)期是眼部疾病的高發(fā)期[1]，早產(chǎn)兒視網(wǎng)膜病變(retinopathy of prematurity，ROP)、先天性白內(nèi)障(congenital cataract，CC)及視網(wǎng)膜母細(xì)胞瘤(retinoblastoma，RB)等疾病可導(dǎo)致嬰幼兒發(fā)生不可逆性視力損傷。由于患兒不具備語言功能，且眼部癥狀不明顯，常常錯(cuò)過最佳診療期，因此，早期篩查與診斷至關(guān)重要。但現(xiàn)有醫(yī)療資源分布不均、專業(yè)兒童眼科醫(yī)生缺乏[2]，使得大范圍篩查工作面臨挑戰(zhàn)。此外，處于快速發(fā)育期的嬰幼兒眼球結(jié)構(gòu)變化較大，往往需要多次跟蹤隨訪，而傳統(tǒng)的人工篩查方式費(fèi)時(shí)費(fèi)力，且主觀性強(qiáng)，極易漏診或誤診，加重視力損害負(fù)擔(dān)?；跀?shù)據(jù)分析的人工智能(artificial intelligence，AI)技術(shù)與眼科影像學(xué)的結(jié)合，可能為解決上述問題提供新思路。AI通過對(duì)臨床影像資料進(jìn)行分析處理，從大數(shù)據(jù)中學(xué)習(xí)經(jīng)驗(yàn)，進(jìn)行自動(dòng)化圖像識(shí)別與疾病診斷，在促進(jìn)客觀、便捷、高效、全面的嬰幼兒眼病早期篩查方面具有重要意義。因此本文旨在對(duì)AI與嬰幼兒眼病領(lǐng)域的研究應(yīng)用現(xiàn)狀、進(jìn)展及存在的相關(guān)問題進(jìn)行分析總結(jié)，并對(duì)其未來發(fā)展做出展望。

1 AI 概述

A I的概念最早于1956年提出，是利用電子計(jì)算機(jī)模擬人類智力活動(dòng)的技術(shù)[3]。機(jī)器學(xué)習(xí)(machine learning，ML)是指從數(shù)據(jù)中自動(dòng)學(xué)習(xí)的AI，在醫(yī)療保健領(lǐng)域，輸入通常是醫(yī)學(xué)圖像，通過映射函數(shù)輸出對(duì)特定疾病的診斷[4]，在大數(shù)據(jù)分析中得到廣泛應(yīng)用；深度學(xué)習(xí)(deep learning，DL)是ML子領(lǐng)域[5]，用于分類與特征提取，涉及具有多層處理的訓(xùn)練模型。卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network，CNN)是一種常用的進(jìn)行圖像數(shù)據(jù)識(shí)別的深度網(wǎng)絡(luò)，通過重復(fù)和校正過程進(jìn)行自我學(xué)習(xí)，分析專家標(biāo)注的圖像標(biāo)簽訓(xùn)練集進(jìn)行診斷[4]，在檢測(cè)糖尿病性視網(wǎng)膜病變[6]、青光眼[7]、年齡相關(guān)性黃斑變性[8]以及通過數(shù)字眼底照片識(shí)別心血管危險(xiǎn)因素和疾病方面已被驗(yàn)證是準(zhǔn)確有效的[9]。AI作為醫(yī)生診療過程中的輔助工具，在客觀診斷、遠(yuǎn)程醫(yī)療、優(yōu)化患者護(hù)理、降低成本等方面發(fā)揮重要作用。

2 AI 在嬰幼兒眼病中的應(yīng)用

2.1 AI 與ROP

ROP是一種視網(wǎng)膜發(fā)育異常引起的血管增殖性疾病[10]，是全球范圍內(nèi)兒童失明的主要原因[11]。早期診斷和及時(shí)治療是控制疾病進(jìn)展的關(guān)鍵，然而，傳統(tǒng)使用間接檢眼鏡[12]的人工篩查方法耗時(shí)耗力，且主觀性強(qiáng)[13]，在疾病的大范圍篩查和標(biāo)準(zhǔn)化診斷過程中面臨挑戰(zhàn)。隨著科技的發(fā)展，新生兒數(shù)字化廣域眼底成像系統(tǒng)的出現(xiàn)為疾病的客觀診斷帶來福音，人們開始嘗試將其與DL結(jié)合建立自動(dòng)ROP篩查工具。Huang等[14]提出了1個(gè)檢測(cè)早期ROP的DL模型，其在測(cè)試集中可實(shí)現(xiàn)92.23%的準(zhǔn)確率，能夠有效避免漏診和治療時(shí)機(jī)的延誤。Wang等[15]建立了2種特定的深度神經(jīng)網(wǎng)絡(luò)Id‐Net和Gr‐Net，分別用于對(duì)ROP診斷和輕重度分級(jí)，并將此算法集成到云平臺(tái)DeepROP中，實(shí)現(xiàn)自動(dòng)ROP檢測(cè)和報(bào)告生成、樣本下載及報(bào)告評(píng)估，在實(shí)際應(yīng)用中，模型的診斷效能甚至超越了一些人類專家。Peng等[16]提出了基于ResNet18、DenseNet121和EfficientNetB2三種并行框架的自動(dòng)ROP 5級(jí)分期網(wǎng)絡(luò)，通過拼接和卷積將特征提取深度融合，并采取有序分類策略，提高了模型的性能。

除了早期篩查，具有“后極部視網(wǎng)膜靜脈的擴(kuò)張和動(dòng)脈的彎曲”特征的附加病變作為ROP嚴(yán)重程度的標(biāo)志，一直是研究的熱點(diǎn)。早前，Ataer‐Cansizoglu等[17]利用主成分生成森林(principal spanning forest)算法開發(fā)了廣域視網(wǎng)膜圖像分析系統(tǒng)“i‐ROP”，該系統(tǒng)從視網(wǎng)膜動(dòng)脈和靜脈中提取彎曲和擴(kuò)張?zhí)卣饕栽\斷附加病變，準(zhǔn)確率可高達(dá)95%；在此基礎(chǔ)上，Brown等[18]建立了CNN系統(tǒng)來預(yù)測(cè)ROP的三級(jí)分類(正常、附加前病變、附加病變)，該系統(tǒng)包括1個(gè)具有U‐net結(jié)構(gòu)的眼底圖像血管分割處理網(wǎng)絡(luò)和1個(gè)具有Inception V1結(jié)構(gòu)的分類網(wǎng)絡(luò)，對(duì)附加病變的診斷可達(dá)到93%的敏感性和94%的特異性，甚至在測(cè)試集中表現(xiàn)超過了6/8的專家。此外，I‐ROP ASSIST[19]、ROP.AI[20]等模型也被提出用于附加病變的診斷，作為一種篩查工具，這些AI模型的表現(xiàn)性能預(yù)示著其在附加病變?cè)\斷方面的應(yīng)用價(jià)值。隨后，Tong等[21]開發(fā)了包含ResNet和Faster‐RCNN兩個(gè)神經(jīng)網(wǎng)絡(luò)的DL系統(tǒng)，基于圖像特征進(jìn)行ROP嚴(yán)重程度的自動(dòng)分級(jí)，并實(shí)現(xiàn)了對(duì)疾病分期和附加病變的進(jìn)一步客觀高效診斷。

然而，有學(xué)者[22]在后續(xù)工作中發(fā)現(xiàn)，僅關(guān)注附加病變不足以從整體上反映疾病的嚴(yán)重程度，進(jìn)而提出了一種基于i‐ROP系統(tǒng)的視網(wǎng)膜血管嚴(yán)重程度自動(dòng)評(píng)分系統(tǒng)，納入了分區(qū)、分期、附加病變這3個(gè)關(guān)鍵的診斷參數(shù)，自動(dòng)區(qū)分無ROP，輕度ROP，2型ROP以及1型ROP，具有極高的敏感性和特異性。隨著醫(yī)學(xué)不斷地向客觀和定量診斷的方向發(fā)展，這種DL衍生的ROP評(píng)分系統(tǒng)在后續(xù)護(hù)理工作中顯示了強(qiáng)大的應(yīng)用價(jià)值，不但可以跟蹤監(jiān)測(cè)疾病進(jìn)展[23]，準(zhǔn)確識(shí)別出需要轉(zhuǎn)診的病例，對(duì)急進(jìn)型ROP(aggressive ROP，A‐ROP)[24]這種快速進(jìn)展的特殊類型也做出了定量描述，甚至在激光或抗血管內(nèi)皮生長(zhǎng)因子治療后疾病消退及復(fù)發(fā)情況的追蹤方面也表現(xiàn)出了強(qiáng)大的效能[25]。最近，Campbell等[13]在先前工作的基礎(chǔ)上對(duì)血管嚴(yán)重程度進(jìn)行了更細(xì)致的1～9評(píng)分，幫助臨床專家識(shí)別出與疾病嚴(yán)重程度相關(guān)的血管細(xì)微的改變，輔助篩查的同時(shí)提高了人類醫(yī)生對(duì)疾病進(jìn)展的認(rèn)識(shí)。Wang等[26]進(jìn)一步開發(fā)了1個(gè)J‐PROP深度學(xué)習(xí)平臺(tái)，整合了圖像質(zhì)量、ROP分期、眼內(nèi)出血、附加前病變/附加病變多個(gè)維度，綜合眼底圖像的多維病理病變進(jìn)行診斷并做出轉(zhuǎn)診建議，促進(jìn)了更加精確全面的ROP篩查診斷過程。

2.2 AI 與CC

CC指在出生或兒童早期發(fā)生的晶狀體混濁，是世界范圍內(nèi)可避免的兒童失明的主要原因之一[27]。在視覺系統(tǒng)發(fā)育的敏感時(shí)期，CC往往導(dǎo)致不可逆的視覺缺陷，早期診斷和治療對(duì)防止形覺剝奪型弱視的發(fā)展至關(guān)重要[28]。因此，近年的研究開始將AI引入白內(nèi)障的診斷過程，構(gòu)建自動(dòng)CC篩查模型，提高診療效率。Long等[29]通過對(duì)眼前段裂隙燈照片進(jìn)行訓(xùn)練，建立了AI模型CC‐Cruiser，包括3個(gè)獨(dú)立的CNN功能網(wǎng)絡(luò)：用以從海量人群中診斷出CC的識(shí)別網(wǎng)絡(luò)，根據(jù)晶體混濁區(qū)域、密度、位置對(duì)疾病嚴(yán)重程度進(jìn)行分層的評(píng)估網(wǎng)絡(luò)，以及提供參考治療方案的決策網(wǎng)絡(luò)。并建立云平臺(tái)實(shí)現(xiàn)數(shù)據(jù)的整合與共享，促進(jìn)了篩查的高效進(jìn)行。多中心隨機(jī)對(duì)照試驗(yàn)[30]顯示：雖然在實(shí)際工作中模型的準(zhǔn)確率低于專家，但患者對(duì)其快速評(píng)估的滿意度很高。然而，上述AI模型是使用專業(yè)眼科設(shè)備收集的圖像數(shù)據(jù)進(jìn)行訓(xùn)練的，這意味著在醫(yī)療資源不足的地區(qū)，其用途可能有限，因此，Lin等[27]采用隨機(jī)森林(random forest，RF)和自適應(yīng)增強(qiáng)(adaptive boosting)算法，基于家族史、家庭環(huán)境、新生兒合并癥等11個(gè)不基于圖像的易獲取的風(fēng)險(xiǎn)因素訓(xùn)練了1個(gè)CC識(shí)別模型，用以區(qū)分CC患者和健康兒童，在臨床試驗(yàn)中表現(xiàn)出較強(qiáng)的魯棒性，作為一種輔助篩查工具，特別是在偏遠(yuǎn)地區(qū)，該模型有潛力彌補(bǔ)目前CC篩查的不足，對(duì)早期檢測(cè)或預(yù)測(cè)CC的發(fā)展具有重要意義。

由于嬰幼兒眼球結(jié)構(gòu)處于快速發(fā)育的時(shí)期，術(shù)中人工晶體(intraocular lens，IOL)度數(shù)的選擇成為一大難題[31]。已有研究[32]表明ML算法有助于提高成人IOL計(jì)算公式的性能并優(yōu)化晶體的選擇，但其在嬰幼兒IOL測(cè)算領(lǐng)域有待進(jìn)一步研究。除度數(shù)要求較高外，晶體植入的時(shí)機(jī)也是影響視力預(yù)后的關(guān)鍵因素[33]。即使在術(shù)后，人工晶體眼的兒童也因其高并發(fā)癥發(fā)生率而需要長(zhǎng)期監(jiān)測(cè)以防止弱視的發(fā)生[34]。Zhang等[35]將RF和樸素貝葉斯(Na?ve Bayesian，NB)算法應(yīng)用于人口統(tǒng)計(jì)學(xué)信息和白內(nèi)障評(píng)估數(shù)據(jù)，建立了高眼壓和中央晶狀體再生兩種術(shù)后常見并發(fā)癥的風(fēng)險(xiǎn)預(yù)測(cè)模型，對(duì)威脅視力的并發(fā)癥進(jìn)行預(yù)警，平均準(zhǔn)確率可達(dá)75%。Long等[36]采用貝葉斯(Bayesian)算法創(chuàng)建了CC‐Guardian用于CC術(shù)后的隨訪管理，根據(jù)12個(gè)輸入變量預(yù)測(cè)上述2種并發(fā)癥，該模型集成了預(yù)測(cè)、分配調(diào)度、遠(yuǎn)程醫(yī)療3個(gè)模塊，能夠準(zhǔn)確識(shí)別高?；純翰⒆龀龊罄m(xù)額外治療的臨床決定。且該模型與智能手機(jī)App和遠(yuǎn)程預(yù)測(cè)云平臺(tái)的結(jié)合，與傳統(tǒng)方法相比，節(jié)約了醫(yī)療成本，具有顯著的社會(huì)經(jīng)濟(jì)效益。

2.3 AI 與斜弱視

弱視是視覺發(fā)育期內(nèi)由于異常視覺經(jīng)驗(yàn)引起的單眼或雙眼最佳矯正視力下降，且眼部檢查無器質(zhì)性病變，發(fā)生在1%～4%的兒童中[37]，是嬰幼兒眼科篩查項(xiàng)目中最重要的工作之一。對(duì)于3歲以下的嬰幼兒，視力篩查通常采用固視和追隨實(shí)驗(yàn)[38]，然而該過程耗時(shí)耗力，具有很強(qiáng)的局限性。為了克服綜合視覺評(píng)估的困難，Pueyo等[38]通過集成視覺檢查設(shè)備中經(jīng)過訓(xùn)練的AI網(wǎng)絡(luò)，結(jié)合眼動(dòng)追蹤技術(shù)收集到的凝視數(shù)據(jù)，對(duì)6個(gè)月及以上的嬰幼兒進(jìn)行快速視力篩查，以降低視力損害的發(fā)生率。

斜視是發(fā)展為弱視的風(fēng)險(xiǎn)因素之一，兒童患病率約為2%～4%[39]。斜視不僅干擾雙眼視功能，還將對(duì)患兒產(chǎn)生持久的社會(huì)心理影響[40]。此外，斜視也可能是白內(nèi)障、青光眼，以及視神經(jīng)、眼眶或大腦腫瘤的第一癥狀。因此早期診斷對(duì)挽救視功能至關(guān)重要，但常規(guī)的遮蓋實(shí)驗(yàn)在3歲以下嬰幼兒中準(zhǔn)確性較差。Zheng等[41]利用Faster R‐CNN對(duì)眼部凝視圖片進(jìn)行自動(dòng)裁剪，訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolution neural network，DCNN)模型使其能夠自動(dòng)識(shí)別水平斜視，準(zhǔn)確性可達(dá)95%，并優(yōu)于專家水平，為斜視患兒的診斷及轉(zhuǎn)診提供了便捷。

2.4 AI 與RB

RB是最常見的眼內(nèi)惡性腫瘤，在5歲以下嬰幼兒中發(fā)病率最高[42]，可達(dá)14.1/100萬，世界范圍內(nèi)每年估計(jì)有9 000名新確診患者，由于惡性腫瘤生長(zhǎng)和轉(zhuǎn)移迅速，大多數(shù)病例常因?yàn)榫戎螣o效而死亡[43]。因此，早期診斷和及時(shí)治療是最大限度提高生存機(jī)會(huì)和挽救視力的關(guān)鍵[44]。臨床工作中，通常使用磁共振成像(magnetic resonance imaging，MRI)來評(píng)估病變范圍及神經(jīng)轉(zhuǎn)移情況[45]，但進(jìn)行個(gè)體化眼結(jié)構(gòu)與腫瘤組織分割的人工圈定過程較為繁瑣，且難以量化。因此，有學(xué)者提出將MRI與AI相結(jié)合進(jìn)行自動(dòng)化分割，Ciller等[46]利用主動(dòng)形狀模型(Active Shape Models，ASM)結(jié)合3D CNN對(duì)病理眼的MRI數(shù)據(jù)進(jìn)行訓(xùn)練，使其能夠自動(dòng)描繪鞏膜、角膜、晶狀體、玻璃體和腫瘤的區(qū)域，在病理組織分割方面顯示出較強(qiáng)的魯棒性和有效性。隨后，Strijbis等[47]建立多視圖卷積神經(jīng)網(wǎng)絡(luò)(multi‐view convolutional neural networks，MV‐CNNs)旨在區(qū)分正常眼內(nèi)結(jié)構(gòu)和腫瘤，并對(duì)瘤體體積進(jìn)行定量描述，與傳統(tǒng)方法相比，MV‐CNNs可實(shí)現(xiàn)更高的分割精度，顯示出優(yōu)越的體積和空間分割性能，具有很大的發(fā)展?jié)摿Α?/p>

2.5 AI 與嬰幼兒眼病常見的體征

2.5.1 AI 與眼底出血

眼底出血是新生兒最常見的眼部異常體征之一，一項(xiàng)眼篩研究[48]顯示其占比可達(dá)88.9%。與出生有關(guān)的出血往往體積小、數(shù)量少且很快自發(fā)消失[49]，而那些出血范圍大、持續(xù)時(shí)間長(zhǎng)或位置特殊的情況可能是腦損傷的表現(xiàn)[50]，延誤治療會(huì)引起弱視及出血相關(guān)的視網(wǎng)膜毒性損害，影響患兒視力發(fā)育。Wang等[49]在對(duì)新生兒眼底圖片訓(xùn)練的基礎(chǔ)上建立了1個(gè)DCNN模型進(jìn)行眼底出血的診斷和1～3級(jí)嚴(yán)重程度分級(jí)，準(zhǔn)確率可達(dá)97.85%～99.96%。為進(jìn)一步對(duì)眼底出血進(jìn)行更加客觀、綜合的描述，Mao等[51]基于DCNN對(duì)出血區(qū)域的高精度分割結(jié)果，定義了一種包含出血面積與視盤比例以及出血相對(duì)于黃斑區(qū)位置的新生兒出血分級(jí)標(biāo)準(zhǔn)，旨在對(duì)疾病嚴(yán)重程度進(jìn)行全面評(píng)估，為今后臨床決策提供定量參考依據(jù)，指導(dǎo)醫(yī)生進(jìn)行臨床診斷。

2.5.2 AI 與白瞳癥

白瞳癥是一種不正常的瞳孔反射，在缺乏語言表達(dá)能力的患兒身上，其常常是RB、白內(nèi)障、ROP、永存原始玻璃體增生癥、眼弓蛔蟲感染[52]等嬰幼兒眼病的首發(fā)表現(xiàn)。傳統(tǒng)的新生兒視力篩查工作由初級(jí)眼保健醫(yī)生使用紅光反射進(jìn)行，然而，散瞳不完全、嬰幼兒依從性差等原因使得這種方式對(duì)于異常體征的檢出能力有限。有學(xué)者[53]提出：由反向傳播算法(backpropagation，BP)訓(xùn)練構(gòu)建的CNN可以在智能手機(jī)上自主運(yùn)行，應(yīng)用程序CRADLE(ComputeR‐Assisted Detector of Leukocoria)通過分析儲(chǔ)存在用戶移動(dòng)設(shè)備中的嬰幼兒圖片輔助檢測(cè)白瞳癥。相比于紅光反射，拍攝照片更能作為一種頻繁的篩查方式提高呈現(xiàn)低亮度和低分辨率的病理性白瞳的檢出率，減少漏診。在后續(xù)測(cè)試中，CRADLE成功在臨床診斷前1.3年檢測(cè)到了白瞳癥，作為嬰幼兒眼病篩查的補(bǔ)充工具，CRADLE在提示患兒及時(shí)轉(zhuǎn)診、改善視力預(yù)后方面顯示出了重要意義。

2.6 AI 與嬰幼兒的其他視覺方面

早前，Zhang等[54]利用反向傳播神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)了IOL植入術(shù)后各年齡的屈光狀態(tài)，可用于指導(dǎo)嬰幼兒白內(nèi)障手術(shù)。早期進(jìn)行白內(nèi)障手術(shù)的患兒面部識(shí)別能力有所下降，會(huì)出現(xiàn)類似“臉盲”的表現(xiàn)。為了解釋這一現(xiàn)象，Vogelsang等[55]在大型臉部圖像數(shù)據(jù)庫(kù)訓(xùn)練的基礎(chǔ)上建立了1個(gè)CNN系統(tǒng)，來觀察不同視敏度水平的發(fā)展對(duì)空間整合和人臉識(shí)別功能的影響，結(jié)果顯示：接受CC手術(shù)IOL植入的患兒在早期獲得了高初始視敏度，打破了低初始視敏度誘導(dǎo)構(gòu)型面部識(shí)別皮層空間加工過程的生理發(fā)育規(guī)律，反而在輪廓知覺和整體形狀完成方面受到損害。而在這之前，人們一直將這種現(xiàn)象歸咎于早期白內(nèi)障造成的形覺剝奪引起的面部處理網(wǎng)絡(luò)連接活動(dòng)的中斷[56]。以上應(yīng)用進(jìn)一步表明，AI在輔助診療的同時(shí)也促進(jìn)了人類醫(yī)生對(duì)疾病的認(rèn)識(shí)。

3 結(jié)語

隨著AI日漸融入嬰幼兒眼病領(lǐng)域，從疾病診斷到術(shù)后隨訪，推動(dòng)了傳統(tǒng)醫(yī)療方式的變革，不僅以較高的診斷準(zhǔn)確率為更大范圍客觀高效篩查提供機(jī)會(huì)，緩解了醫(yī)療機(jī)構(gòu)的壓力，且有望通過云平臺(tái)進(jìn)行數(shù)據(jù)整合解決世界范圍內(nèi)醫(yī)療資源分布不均的問題。此外，多元化電子產(chǎn)品終端服務(wù)器如智能手機(jī)的普及，亦將有效整合AI、遠(yuǎn)程醫(yī)療等相關(guān)線上平臺(tái)的服務(wù)能力，促進(jìn)篩查效率，完善疾病的二級(jí)預(yù)防。尤其是在新冠疫情期間傳統(tǒng)篩查隨訪模式受到巨大沖擊的情況下，基于智能手機(jī)的遠(yuǎn)程醫(yī)療平臺(tái)的應(yīng)用[57‐58]，凸顯了其在輔助嬰幼兒眼病篩查方面的重要價(jià)值。同時(shí)該技術(shù)也為年輕醫(yī)生提供了提高診療技能的學(xué)習(xí)平臺(tái)，具有可觀的發(fā)展前景和社會(huì)效益。

但在A I 給醫(yī)療領(lǐng)域帶來便捷的同時(shí)也應(yīng)考慮，此項(xiàng)技術(shù)在嬰幼兒眼病的應(yīng)用尚不成熟：1)AI算法的基礎(chǔ)相對(duì)機(jī)械，相關(guān)模型也未能做到模態(tài)融合，納入更多評(píng)估因素進(jìn)行多模態(tài)分析將有助于開展大范圍的篩查工作；2)眼底圖像拍攝的差異、缺乏標(biāo)準(zhǔn)化的圖像采集流程等問題使得模型的診斷準(zhǔn)確率受限，應(yīng)加快嬰幼兒眼病標(biāo)準(zhǔn)化數(shù)據(jù)庫(kù)建設(shè)，促進(jìn)資源共享，提高M(jìn)L模型的性能；3)目前的AI系統(tǒng)大多為單病種診斷，缺乏整合眼前節(jié)或后節(jié)的多病種篩查模型，易漏診Coats病、有髓鞘視神經(jīng)纖維等在智能篩查領(lǐng)域仍處于空白的眼病，因此，應(yīng)擴(kuò)大研究的病種領(lǐng)域，建立更加系統(tǒng)的篩查預(yù)測(cè)模型，促進(jìn)綜合的疾病診斷過程。

AI在嬰幼兒眼病領(lǐng)域的應(yīng)用潛力巨大，隨著技術(shù)的創(chuàng)新升級(jí)和互聯(lián)網(wǎng)時(shí)代的發(fā)展，AI有望以更高的診斷準(zhǔn)確率、更廣的病種覆蓋率，促進(jìn)篩查過程中的自動(dòng)化與智能化，在目前研究成果的基礎(chǔ)上實(shí)現(xiàn)新的突破，為更多患兒帶來希望。

開放獲取聲明

本文適用于知識(shí)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(duì)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(qǐng)?jiān)L問：https://creativecommons.org/licenses/by‐nc‐nd/4.0/。