青光眼的全球负担和早期发现的希望

光眼科仍然是眼科最紧迫的挑战之一,全世界约有8000万人受到影响,并且导致数百万人失明。 光眼科的阴险性质 — — 往往在早期无症状 — — 使得常规筛查变得至关重要。 然而,传统的筛查方法面临重大障碍:光眼-光眼生物显微镜、视神经成像和视场测试需要昂贵的设备和专家解释。 结果,发达国家估计有50%的病例和发展中地区高达90%的病例仍未诊断。 人工智能(AI)提供了一种变革性解决方案 — — 通过自动分析基金照片来检测速度和一致性的光眼迹象。

理解青光眼:病理学和诊断标记

眼里发生的事

光子神经病包括一组不同的视网膜断层细胞及其轴突逐渐丧失的视网膜神经病。 主要的风险因素是视网膜内压升高(IOP ) , 尽管正常视网膜的光子显示其他血管和机械因素有其作用。 损伤表现在视网膜神经头部(ONH)和视网膜神经纤维层(RNFL ) 。 Fundus摄影以高分辨率捕捉这些结构,使其成为基于AI的分析的自然媒介。

Fundus 图像中的关键解剖特征

  • Optic DCD 杯: 杯对盘比(CDR)的扩大是青光眼损伤的标志. 普通CDR通常小于0.3;值大于0.6是可疑的.
  • 神经内膜薄化:[]焦距或分散缩小,特别是在低等和优等极处(违反ISNT规则).
  • 视网膜神经纤维层缺陷:[ 视盘辐射的楔形或扩散暗区,最能见于无红光谱照片.
  • 百度萎缩:[] 盘子周围的β-区萎缩与青光眼严重性有关.
  • 平板出血:[]有时在早期的盘边上可见.

当前筛选范例及其局限性

标准青光眼筛查依赖于IOP测量(温度测量),视觉场测试(近视)和视神经评估的结合. 每一种方法都有缺点:IOP只是一种代用——许多正常IOP的患者会发育青光眼,而其他高视线的患者则从未表现出损伤. 近视需要患者的合作,而且很费时. 临床医生的光神经评价是主观的,也是可变的,特别是在没有特殊训练的初级保健环境中. Fundus摄影虽然简单而快速的进行,但仍然需要专家的分级. 这些限制共同防止了广泛,成本低的筛选,特别是在资源低的环境中.

AI 如何改变 Fundus 图像分析

图像分类深层学习架构

现代的青光眼检测AI系统主要基于演化神经网络(CNNs). ResNet,Inception等模型,以及高效网络被调整,以识别Fundus图像中区分青光眼和健康眼的微妙模式. 与依赖手工制作的特征(如CDR测量)的传统计算机视觉方法不同,深层学习直接学习像素数据,往往识别教科书中没有明确描述的特征. 例如,一些AI模型被观察到去关注人类分级者可能忽略的过敏性萎缩和器皿模式.

培训数据和说明挑战

任何AI模型的性能都与其培训数据集的质量和多样性有着根本的联系. Kaggle Glaucoma Detection 竞争数据集RIM-ONE[,DRISHTI-GS提供数千张标注图像. 然而,这些数据集往往受到有限的种族多样性,统一的成像条件,以及不同的注释标准(例如可参考的Glaucoma vs. sure glaucomatus brack) . 成功部署需要关于反映真实世界人口的数据的培训——包括不同的相机模型,照明条件和疾病断裂痕.

预处理和分块步骤

  • 图像标准化: 调整规模,正常化,以及色调校正,以减少设备引起的变异.
  • Optic dance location: 许多AI管道在应用分类网络之前首先检测光碟区域(使用回归或物体检测)——这侧重于相关的解剖学.
  • Vessel inpainting: 一些算法将血管从ONH区域中移除,以防止血管地标和杯状边界混淆.
  • 数据增强:[]旋转,翻转,弹性变形,亮度变化帮助模型通俗化.

近代自动青光眼探测突破

在过去三年中,研究从概念证明转向临床上可行的系统. 2023年在 眼科[ 上发表的一项2023元分析发现,深层学习模型实现了92%的集合敏感性,88%的特异性,用于从Fundus照片中检测可参考的青光眼——与受过研究金训练的青光眼专家[](Thompson等人,2023]). IDx-DR和Visulytix的Pegasus等几种商业解决方案从糖尿病复方病筛查扩大到包括青光眼检测模块。

疾病预测进展

除了二进制分类,更新的AI系统还包含了纵向的fundus图像系列,以预测哪些患者有高度的进化风险. 例如,一个从 OHDSI数据库[中接受序列照片培训的模型,可以预测未来杯对盘比从基线图像中的变化,有可能在功能损失发生前标出快速进化器进行密集监测.

多式联运办法

将Fundus摄影与其他成像方式(OCT,视觉场,内视压力)相结合,可以提高诊断准确性. 最近的系统将Fundus照片和OCT RNFL厚度图用双流CNN进行融合,实现AUC高于0.96,这种整合镜像是临床医生合成多个数据源的真人特异性护理.

实际世界部署和临床鉴定

社区和远程医疗场所的筛查

人工智能化的Fundus摄像头目前正在初级诊所、药房和移动医疗车中部署。 在新加坡的大规模计划中,一个深层学习系统分析了社区筛查活动中的10万多张Fundus照片。 该系统对早期青光眼的检测敏感度为85%,通过调整决定阈值(]](Liu等人,2021年),这显示出扩大在得不到充分服务的人口中进行青光眼筛查的可能性。

临床融合方面的挑战

  • 监管批准:[ 大多数AI系统被欧盟批准为“医疗器械软件 ” ( CE 标志) , 或美国批准FDA。 对于做出自主诊断决定而无需临床医生推翻的器械来说,监管负担尤其沉重。
  • 工作流程集成:无缝集成到电子健康记录和医院PACS系统是必需的,但由于互操作性标准(HL7,FHIR),往往技术上很复杂.
  • 可解释性:临床医生仍然对信任"黑盒"系统犹豫不决. 显性地图和Grad-CAM重叠图显示图像中哪些区域影响了决定有助于建立信任.
  • 法律责任: 当AI错过青光眼病例时,责任不明确——是临床医生审查AI产出,是部署该产出的机构还是供应商?

道德考虑与公平

AI系统主要培训来自亚洲或高加索地区的Fundus图像,但在非洲或西班牙裔患者身上表现不佳,他们的光碟特征不同。 一项研究发现,在非裔美国人Fundus照片上测试时,只培训一个中国数据集的模型的敏感性低20%。 严格验证种族多样性数据集并不是可选的 — — 避免加剧健康差距在道德上是当务之急。 此外,AI设备照相机和云处理的成本可能会限制低收入环境中的采用,除非开放源代码模型和离线解决方案成为主流。

未来方向:从发现到指导管理

解释性AI和临床医生-AI协作

下一代系统的设计不是要取代而是要增强临床医生。 一个AI可能标出可疑的Fundus图像,然后提供量化的CDR测量、环损失分化和进步风险分数。眼科医生可以审查这些产出并做出最后决定。 这个“人行走”模式在利用AI一致性的同时保持了医生的自主性。

超威德菲尔德基金摄影

较新型的摄像机捕捉视网膜200°,揭示出可能与青光眼相关的远近损伤(如染色体散射或脱叶综合征). AI模型正在被改造,以分析超广场图像,尽管它们目前面临着外照偏差和可变性的挑战.

与OCT和功能测试的整合

OCT仍然是量化RNFL和断层细胞内复合层(GC-IPL)厚度的金本位. 将Fundus照片AI与OCT数据合并在一个单一算法中可以产生一个"视网膜健康分数",既能说明结构变化,又能说明血管变化. 一些组别还正在实验直接从Fundus图像中预测视场损失,有可能使昂贵的近距离测量机变得没有必要进行筛选.

结论:青光眼护理中的模范转变

使用人工智能对Fundus摄影的青光眼进行自动检测已不再是一个未来的概念,它已经对全世界的筛选方案产生了实际影响。 尽管数据集多样性、临床整合和公平方面的挑战依然存在,但轨迹是明确的:深层学习系统正在成为可靠、成本效益高的工具,将专家级诊断的覆盖范围扩大到青光眼一度是隐形流行病的场所。 下一个十年很可能看到人工智能辅助筛查成为常规眼科检查的标准组成部分,将重点从对高级疾病的被动治疗转移到主动的视力保护。