人工智能在眼科学中的认可

人工智能（AI）是一种技术，机器和设备可以从经验中“学习”并相应地进行调整。很多专家都曾说AI在未来几年对眼科将产生重大影响。

人工智能和机器学习有三类算法：

1. 无监督学习，对未标记的数据进行分组，并包括聚类等方法；

2. 监督学习，根据标记的训练数据推断功能，并根据示例将输入映射到输出，包括线性回归分析，支持向量机分析，决策树以及复杂的神经网络和深度学习，严重依赖标签数据；

3. 半监督学习，主要指利用数据分布上的模型建立学习器对未标签样本进行标签。

在眼科学中，神经网络方法，深度学习，近年来已经超越了其他方法，随着训练的开始，神经网络开始时没有任何微调，只返回随机结果，神经网络逐步学习重要特征的组合和排列。复杂的神经网络可以学会忽略不重要的特征，以便制作更好的算法。

网络过程具有特定功能的权重 - 网络发现最重要的功能被赋予最大权重。随着网络学习更多，这些权重发生变化，因此早期被认为重要的特征将被赋予较少的权重，因为其他特征被赋予更多权重。这允许网络进行更准确的预测。算法生成过程以输入层开始。在有任何输出之前，有几个隐藏层。虽然应用程序像黑盒一样运行，但结果并不总是给出解释。这使得难以检测到不适当的结果。

随着算法变得越来越强大，对它们进行故障排除的方法可能会落后。这可能是此方法的潜在限制，并可能对获得批准产生影响。

有专家在眼科学方面进行了文献检索，包括AMD、糖尿病视网膜病变、早产儿视网膜病变、干眼症、圆锥角膜和角膜地形图、青光眼和视野等。搜索显示，从2016年到2018年上半年，为期30个月，出版物数量是2006年至2010年60个月的两倍。

AMD和糖尿病视网膜病变是搜索中发现的最常见的主题。在角膜地形图中有AI应用，以及干眼症：使用人工智能的未来研究，可以简化不同类型干眼的诊断和分类及其严重程度，可能取代目前基于DEWS II报告的方法。

在青光眼中，有利用深度学习的研究。一些人看神经纤维层，另一些则关注视神经。未来的研究将包括使用OCTA检查视网膜中与神经相邻的血流量。

在人工智能方面，青光眼的一个主要问题是数据有多个来源，这些来源经常互不连接。可能存在来自不同来源的检查单上的数据，患者信息，成像数据等。虽然连接这些源似乎很容易，但以符合HIPAA标准的方式这样做并不容易。（百科注释：HIPAA全称为：Health Insurance Portability and Accountability Act/1996，Public Law 104-191，尚没有确切的正式中文名称，国内文献一般直接称为HIPAA法案，有的称为健康保险携带和责任法案，也有取其意为医疗电子交换法案。）

目前，大多数医生会查看来自多个来源的数据进行诊断。耗时的视野测试可能是检测青光眼是否进展的最可靠方法。通过将数据连接在一起，使用人工智能应用程序，更容易找到可以预测青光眼进展的快捷方式，就像如今糖尿病视网膜病变诊断一样。

眼底照相是眼科中AI应用的一个重要领域。谷歌已发表有关在多个领域使用人工智能AI的文章，包括预测屈光不正，心血管风险检测，视网膜病变识别和糖尿病视网膜病变。

使用来自英国生物库和AREDS研究的数据在2018年IOVS上发表的一篇文章研究了预测屈光不正的注意力图，并且对屈光不正预测良好。

在2017年Nature Medicine上发表的一篇具有里程碑意义的文章中，研究人员使用深度学习架构在一组OCT扫描中提出推荐建议，并使用多个设备完成。

通过使用组织分割，他们能够给出诊断的概率，并因此进行紧急，半紧急，常规或仅观察转诊建议。如果“训练”得当，机器在患者转诊决定中的错误率仅为5.5％。这优于80％的视网膜专家和所有验光师，他们不仅获得了OCT数据，还获得了眼底数据和注释。

早期AMD中个体疾病转化的预测。进展的最关键的定量特征是视网膜厚度，超反射病灶和玻璃疣区域。

人工智能在眼科学中有很大的应用，其用途将继续扩大。但是有一些限制，包括：

• 培训集的质量和多样性；
  

• 图像质量问题；

• 由于统计数据非常好，人们可能会错误地断定系统不会出错；

• 复杂神经网络的黑盒效应。