近年来，人工智能技术发展迅速，已经成为医学领域研究的前沿热点之一。其中，由于AI技术的便捷性和高效性使其在眼科疾病筛查、诊疗以及随访中表现出巨大的应用前景。

在眼科AI领域，中国的研究与世界一流水平并行。那么，我国人工智能技术的应用能够为解决眼科医疗难题带来什么价值？在构建眼科医疗AI生态系统中存在哪些挑战？AI眼科医疗发展的趋势是什么？

亚太青光眼学会理事、亚太眼科学院院士、中山眼科中心临床研究中心主任张秀兰教授对眼科AI领域的相关问题进行了深度解读，期望能够为关心医疗人工智能发展的读者带来启示。

中国眼科医疗现状

在西方发达国家，每百万人口中平均有79名眼科医师。我国目前有眼科医生约3．5万，平均每百万人只有22名眼科医生，而且不同地区、不同级别医院间眼科医师的水平差异极大。

此外，随着老龄化，眼病患者不断增多。眼科医生培养周期非常漫长，至少需要7－12年才能成长为一名合格的眼科医师。因此，光靠加大眼科医师培养投入，难以满足目前的眼病诊疗需求。

我国是盲和低视力人口最多的国家，眼病患者人数也是全球最多，这一类疾病给国家、社会和家庭带来沉重的负担。

以白内障为例，相关手术技术已非常成熟，我国每百万人白内障手术例数已从1988年的83例，提升至2017年的2205例，但是距离欧美每百万人口大于1万例／年的数量还相差甚远。

青光眼是我国首位不可逆致盲眼病，预计到2020年，我国将有2100万的青光眼患者，产生近630万盲人及超过1000万的视觉残障人士。大部分青光眼发病隐匿，我国至少90％的原发开角型青光眼和至少50％的原发性闭角型青光眼患者未被查出。

糖尿病视网膜病变是我国另一个严重的公共卫生问题，目前我国有1300万糖尿病视网膜病变患者，而且农村地区糖尿病患者罹患糖尿病视网膜病变的风险高于城市患者。

糖尿病视网膜病变患者如果早期发现，通过激光手术就可以有效预防威胁视力并发症的发生，但是我国的糖尿病患者很少进行视网膜病变的筛查。在广东地区的调查显示，43．2％的糖尿病患者从未进行过眼科检查，在农村，这一数值更是达到81．1％。

AI技术应用为解决眼科医疗难题带来价值

眼病诊疗的第一个痛点是眼病客观诊疗需求尤其是筛查需求与眼科医师数量的严重不匹配。

《我国糖尿病视网膜病变临床诊疗指南（2014年）》要求糖尿病患者每年至少进行1次视网膜病变筛查，我国有超过1亿名糖尿病患者，靠眼科医师难以满足巨大的筛查需求。由于眼科的专业性和专业人员的匮乏，诊疗覆盖率及其有限，而人工智能和大量影像数据结合，可以参与到部分眼病，如糖尿病视网膜病变、白内障、青光眼、黄斑病变等筛查诊断中

从医生的角度来看，人类能够诊治疾病是有限度的，很多疾病早期诊断是很困难的。以青光眼为例，根据一次门诊，眼科医生难以判断青光眼患者目前是否是在进展；糖尿病视网膜病变患者接受抗VEGF治疗，事先也无法判断每一个患者治疗后反应如何，需要多次随访综合判断。

人工智能技术可能在这方面能够帮助眼科医生及早判断，助力医生实现个体化诊疗。另外，人类虽然拥有灵巧的双手，但精确度也存在极限，利用AI技术，开发眼科手术机器人辅助眼科手术，利用其高精度、高灵活性、稳定性的特点，使其与微创手术紧密结合，未来有望实现远程眼科手术。目前，用于诊断和决策的AI是当下AI研究的热点，AI手术机器人的发展尚不及诊断AI成熟。

总的来说，AI可以在以下五个方面帮助眼科医生：

1． 通过与影像学相结合的机器学习技术在眼科中的应用，AI可以辅助医生筛查，极大地提高了诊疗覆盖率；通过筛查早期发现高危人群或者患病人群，提早治疗。

2． AI能够辅助临床诊断，提高临床工作中眼科疾病的诊断效率，减轻眼科医生的负担；这两点是我们能在近期内是实现的，也是我们国家迫切需要的，能够一定程度上帮助我们解决看病难、医生少的问题，革新现有的疾病诊疗体系。

3． AI能够拓展眼科医师能力边界，指导眼科医师个体化治疗和预测预后。当然，这一点的实现有赖于纵向数据集的建设。

4． 协助眼科医师培养。比如，现在存在多种人工智能结合的模拟器用于住院医师培训；现有人工智能产品也可以帮助基层医师对比他们的诊断，促进其成长。

5． AI能模拟人类总结新的诊断思路及规律，帮助人类医生决策，提高诊断精度。目前要实现这一点还存在困难，尚有赖于技术的进一步发展。

AI眼科落地所面临的难点与挑战

张秀兰教授认为，目前基于眼底照的AI算法已经相对成熟，对于眼底疾病、视神经疾病的诊断已经接近人类医师的水准，对于眼科常见病的筛查也具备了一定的效力。但目前AI眼科落地还存在一些客观的挑战。

图：亚太青光眼学会理事、亚太眼科学院院士、中山眼科中心临床研究中心主任张秀兰教授

从技术角度看，算法对于具体病灶的定位效能还有待提高，究其原因是目前缺少大样本、精细标注的影像数据库；其次，算法的可解释性仍然不高，还存在所谓的“黑箱”，这就限制了它的推广。此外，目前尚未见AI算法在真实世界中的实战数据，因此不知道AI算法用于人群后的实用性及可靠性。

即便如此，百度等一些厂商已经在可解释性方面取得了不错的进展，他们将黑盒完成的单一诊断任务嵌入到整体架构设计中，根据临床诊疗路径设计了符合医生推理逻辑的可解释算法。

从非技术角度看，还有诸多有待解决的问题。我国AI+医疗尚属起步阶段，官方正在起草相应的标准，目前还没有统一的数据标注标准。我国拥有远海外的海量影像数据，但是数据质量参差不齐，标签、标注十分简陋，相关临床信息丢失过多，严重影响了算法的性能。数据的“量”很重要，但“质”更关键。在未来，拥有优质数据的人将是AI的赢家。

同时，国家、协会需要建立质量监控标准，制定人工智能产品审批、监管相关标准，对每种AI产品也应进行标准化的测评；大众接受人工智能医疗服务尚需要一个过程；人工智能医疗的商业模式也有待于进一步明确；在伦理和法律方面，出现误诊及医疗事故由谁负责也是有待明确。

现阶段，眼科AI目前尚无通过CFDA认证的产品，眼底病的智能筛查仪器、产品等是最先突破的领域，特别是糖网、AMD等智能筛查产品中有不少处于临床验证阶段，尚无上市的消息。但眼科作为影像检查十分丰富的科室，注定会迎来眼科AI百花齐放的时刻。

中山眼科作为国内眼科AI的先行者，去年牵头成立国内第一个眼科智能学组，张秀兰教授也参与其中。眼科智能学组的成立旨在促进我国眼科AI的发展壮大，也将参与到起草医疗数据标注标准的工作中。