人工智能（AI）技术正在迅速发展，并正在改变临床实践和医生分配时间的方式。Shameema Sikder博士和T. Y. Alvin Liu博士在巴尔的摩举行的约翰霍普金斯威尔默眼科研究所第37届年度眼科新概念会议上讨论了AI在白内障和糖尿病眼病管理中的实际影响。
每年进行数十万例白内障手术，随着人口老龄化，这一数字预计会呈指数增长，因此对训练有素的专业人员的需求也会增加。AI有望对患者结果产生积极影响，这些结果受到诊断、计划和执行手术的多个因素的影响。Sikder描述了AI如何影响临床实践中的工作流程。她是马里兰巴尔的摩约翰霍普金斯医院的L. Douglas Lee和Barbara Levinson-Lee眼科教授，也是眼科手术教育和培训卓越中心主任。AI可以支持白内障手术护理的多个方面，包括需要图像输入来检测、分类和转诊白内障手术；计算IOL功率；使用视频进行术中护理阶段检测；预测并发症；优化手术工作流程；以及术后护理，预测后囊膜混浊的进展，可能需要额外的激光治疗。
Sikder引用了一项最新研究的结果，该研究表明深度学习系统（DeepLensNet）可以自动定量分类三种类型的年龄相关性白内障的严重程度。对于核性白内障和皮质性白内障，其准确性显著优于眼科医生；对于最不常见的类型——后囊下白内障，其准确性相似。研究作者总结道，“DeepLensNet在未来可能在全球范围内增加白内障评估的可及性。”
另一项较早的创新允许智能手机有效测试视力。由英国眼科医生Andrew Bastawrous开发的Peek应用程序显示，Peek测试的准确性与标准方法相当。
计算IOL功率一直是一个挑战，但AI的应用成功优化了现有的IOL公式，并基于AI开发了混合公式。2021年的一项研究测试了Holladay 1、SRK/T和Ladas超级公式，结果显示AI算法提高了每个公式的平均绝对误差以及预测屈光度在0.5屈光度范围内的数量。
Sikder指出，AI可以通过工具识别、解剖分割和阶段/步骤识别等自动化情境感知技术用于术中护理。2019年的一项研究评估了100例白内障手术视频中AI自动识别阶段的情况。研究发现，使用时间序列模型比使用横断面数据、空间视频图像特征或时空视频图像特征更准确地分类白内障手术阶段。
AI还可以评估手术室中的手术技能，以提高患者结果和护理质量。研究团队提出了基于注意力机制的新方法，并对最先进的视频基础手术技能评估方法进行了全面比较分析。研究发现，深度学习方法在手术技能评估中是必要的，注意力机制提高了网络的区分能力。
眼部图像是眼科的重要组成部分。Sikder引用了一项研究，旨在预测眼科疾病进展，以便规划治疗策略并向患者提供早期预警。研究作者开发了一个端到端的时间序列网络（TempSeq-Net），自动预测眼科疾病进展。该模型使用卷积神经网络（CNN）从连续裂隙灯图像中提取高级特征，并应用长短期记忆（LSTM）递归神经网络挖掘特征的时间关系。研究结果表明，该模型具有出色的性能，平均准确率为92.22%，敏感性为88.55%，特异性为94.31%，AUC为97.18%。
采用AI技术似乎是未来的挑战。Sikder及其同事在一篇社论中指出，FDA批准并不保证医疗决策者的接受。他们评论说，“技术的采用及其转化为社会影响需要有见多识广的消费者，他们能够应用有用的信息，忽略无关的信息。”
AI技术可能会产生偏差预测，随着算法的学习，可能需要修改应用。此外，算法可能不适用于所有患者群体，因此使用AI技术照顾患者的医生在改进技术方面起着关键作用，因为他们最有可能观察和报告AI的失败模式。AI失败模式的数据对于推动必要的基础研究至关重要，以使AI准确并适用于所有患者。
“我们不能满足于为患者护理创建的AI技术。使用AI技术的医生有责任和独特的机会使其适用于每位患者，并促进对技术的信任。”Sikder评论道。
AI在美国和全球的扩展使用伴随着问题和担忧。Liu研究了美国的医疗AI法规、目前美国糖尿病视网膜病变（DR）筛查中AI的状态以及成功、挑战和不确定性。他是马里兰州巴尔的摩约翰霍普金斯医学的James P. Gills Jr MD和Heather Gills人工智能创新中心的教授和创始主任，也是美国眼科协会AI委员会成员。
医疗设备被FDA分为I类、II类或III类，最终分类反映了设备的风险等级。大多数AI赋能的医疗设备属于II类（中等风险），并通过De Novo或510(k)途径获得进入美国市场的许可。截至2024年5月，已有882个AI赋能的医疗设备获得批准，其中9个是眼科性质的。目前有4种自主AI产品（由Digital Diagnostics、Eyenuk和AEYE Health三家公司提供）获得了FDA的批准，用于糖尿病眼病检测。
Liu引用了审批过程中的试验。第一项是LumineticsCore（Digital Diagnostics）在美国进行的前瞻性多中心试验。研究包括900名无DR病史的参与者。研究者报告称，“AI系统在敏感性（87.2%）、特异性（90.7%）和图像质量率（96.1%）方面超过了所有预设的优越性终点，展示了AI将专科水平的诊断带入初级护理环境的能力。”该系统被FDA批准用于检测可转诊的DR（超过轻度非增殖性DR）。这是FDA在任何医疗领域批准的第一个自主AI系统。
关于自主AI在糖尿病眼病中的现实应用，一项研究测量了AI设备的采用情况，发现它们开始崭露头角。研究者报告称，大部分使用是由少数领先设备驱动的。例如，只有用于评估冠状动脉疾病和诊断糖尿病视网膜病变的AI设备积累了超过10,000个现行程序术语（CPT）索赔。研究还发现，高收入邮政编码区域的学术医疗中心更有可能使用医疗AI。
Liu提到了2021年CPT更新，增加了CPT代码92229（视网膜成像以检测或监测疾病；即时护理自主分析和报告；单侧或双侧）。另一个公认的成就是大多数主要保险支付者，包括医疗保险和医疗补助服务中心，愿意为CPT 92229提供全国报销覆盖，费用约为60至120美元。最后，专业协会的认可，如美国糖尿病协会和国家质量保证委员会的认可，也非常关键。
仍需做更多工作。一个领域是临床AI实施的地理差异，高收入邮政编码区域更容易采用AI技术。另一个不足是非诊断AI结果，由于视网膜图像质量不足。最近由Liu领导的研究确定了与非诊断结果相关的因素，这些因素可用于设计新的预测散瞳工作流程，从而最大化患有糖尿病视网膜病变风险的患者进行检查的数量。
最后一个挑战是在整个医疗系统部署自主AI后的异质结果。例如，在2019年至2021年间，黑人或非洲裔美国人的年度DR检查依从率增加了12.2%，而同期亚裔美国人的依从率几乎没有变化。除了现实世界实施的挑战外，CPT 92229未来的报销率和AI赋能医疗设备的上市后监控要求也为眼科AI产品的不断演变带来了不确定性。
(全文结束)