隨著人工智能（AI）技術特別是深度學習的快速發展，AI在眼科領域的研究呈現出病種多樣化、場景廣泛化和研究深入化的趨勢。AI在糖尿病視網膜病變、老年性黃斑變性、青光眼等眼科疾病的研究中表現出良好的性能，展現出眼科AI的巨大潛力。然而，目前多數研究尚處于初級階段，眼科AI的運用仍面臨結果可解釋性欠缺、數據標準化缺乏和臨床適用性不足等諸多挑戰。同時也應看到，多模式影像學的發展、5G和物聯網等數字技術和遠程醫療的創新，以及視網膜狀態能反映全身疾病的新發現都給眼科AI的發展帶來了新的機遇。了解AI在眼科領域的研究現狀，把握發展過程中的新挑戰和新機遇，成功實現眼科AI從研究到實際運用的轉化。
引用本文： 張明, 周思睿. 把握挑戰和機遇：人工智能與眼科診療. 中華眼底病雜志, 2021, 37(2): 93-97. doi: 10.3760/cma.j.cn511434-20210121-00044 復制
近年來，隨著運算速度和儲存能力的提高、深度學習算法和體系結構的完善以及醫學大數據的積累，人工智能（AI）技術在醫學領域飛速發展，目前已在眼、放射、心血管和腫瘤等多個學科開展了大量相關研究[1-5]。機器學習（ML）和深度學習（DL）是AI的兩個重要概念。ML是AI的子領域，通常需要耗費大量的人力和專業知識來設計有效的特征提取器，從而將原始的輸入數據轉換為有用的輸出信息，因此處理原始數據的能力有限；而DL則是ML的子集，它是一種表示學習方法，無需特殊編程，能自動提取已知數據中的規則用于未知數據的判斷，因此能處理更多復雜的數據[1]。DL算法即人工神經網絡。多模式影像學的發展為眼科疾病的診斷提供了更加廣闊的視野，廣泛使用的眼底照相和光相干斷層掃描（OCT）為DL模型的開發提供了豐富的數據集，為AI在眼科領域的領先式發展創造了條件。自2016年首批運用DL篩查糖尿病視網膜病變（DR）的論文[6-7]發表以來，AI特別是DL在眼科領域的研究呈現出爆發式增長。研究病種從最初集中于DR、老年性黃斑變性（AMD）和青光眼，逐漸向早產兒視網膜病變（ROP）、白內障、角膜疾病等其他疾病擴展，研究場景涵蓋了篩查、診斷、治療、預測等疾病診療流程中的各個環節，研究也從模型算法到臨床驗證再到經濟價值評估，內容層層深化。然而，多數研究尚處于初級探索階段，眼科AI的發展仍然面臨諸多挑戰，如結果可解釋性欠缺、數據標準化缺乏和臨床適用性不足等。盡管如此，多模式影像學的發展、5G和物聯網等數字技術和遠程醫療的創新以及視網膜狀態能反映全身疾病的新發現都給眼科AI的發展帶來了新的機遇。了解眼科AI的研究現狀，迎接新挑戰，把握新機遇，才能成功實現眼科AI從研究到臨床運用的轉化。
1 AI在DR中的運用
DR是全球中年人即工作年齡階段成年人獲得性視力喪失的主要原因[8]。據估計，DR的患者人數到2030年將達到1.91億[9]。由于DR的患病率高、后果嚴重以及僅依據單一模式影像（眼底彩色照相）即可確診等特點，其因此成為眼科最早開展AI研究的疾病，也是研究最多最成熟的疾病。
篩查是AI之于DR最重要的運用。目前國際上已有許多研究團隊建立了不同的篩查DR的DL模型，均表現出不錯的檢測性能，曲線下面積為0.89～0.99，靈敏度為87.2%～100.0%，特異性為87.0%～100.0%[7, 10-12]；并且其中一些算法已在美國、歐洲、中國和非洲等不同國家和地區進行了外部驗證[13-15]。還有一些團隊開發了可以同時檢測包括DR、AMD和青光眼在內多種眼部疾病的DL模型[15-16]。這些研究成果展示了AI作為DR篩查工具的巨大潛力，鼓舞全球的研究者開展了更多更深入的工作。
AI對DR的研究不再停留在模型開發的初級階段，而是在模型性能被驗證后走上了從研發到臨床轉化的道路。2018年4月11日，美國食品藥品監督管理局批準了Abramoff團隊開發的用于DR篩查的IDx-DR模型，這是首個獲批的DR篩查設備。該模型能對輕度以上的DR進行轉診，以減輕基層眼科醫生的負擔，提高DR篩查的效率。這是AI產品從實驗室邁向臨床運用的第一步，對AI在眼科乃至整個醫學領域的發展都有著劃時代的意義。
研究證明，DR篩查的AI解決方案有利于節省醫療成本，擁有巨大的經濟價值[17]。這些研究從AI模型最初的開發與驗證，到臨床的轉化與運用，再到社會經濟價值的考慮，標志著AI在DR篩查的運用逐步走向成熟。
AI在DR的運用并不局限于DR疾病本身，其研究的范圍正在逐步擴大。糖尿病黃斑水腫（DME）是DR的嚴重并發癥，是DR患者視力下降甚至喪失的主要原因。已有研究團隊開發了檢測DME以及基于OCT表現預測DME患者抗血管內皮生長因子（VEGF）治療反應的DL模型[18-19]。可以看出，AI從DR篩查作為切入點，正在改變著DR診療流程的方方面面。
2 AI在AMD中的運用
AMD嚴重威脅50歲以上人群的視力，是老年人中首位不可逆致盲原因[20]。據預測，全球患有不同程度的AMD患者在2020年為1.96億，到2040將增加到2.88億[21]。其中，晚期AMD特別是滲出型AMD嚴重威脅著患者的視力。AMD是眾多團隊爭先研究的另一目標。目前，相關研究包含了AMD篩查、診斷、治療、預測等疾病診療流程中的各個環節。
首先，在人群中篩查出中期AMD對延緩疾病進展有重要意義[22]。早期的AI研究多基于眼底彩色照相[16, 23]。由于OCT在顯示細微結構上較眼底彩色照相更具優勢，因此基于OCT的模型表現出了更好的性能[24]。其次，為了給不同疾病階段的AMD患者提供個性化治療，有研究團隊基于OCT建立了多種AMD分期和分級的DL模型，包括對AMD患者按照疾病嚴重程度進行二分類、五分類以及最多分為十三類的模型，從總體上來看，分類數量越少的模型性能越好[25-26]。再次，抗VEGF藥物是目前滲出型AMD的一線治療方法，但是其在真實世界的治療效果遠不及臨床試驗。已有研究團隊開發AI工具檢測脈絡膜新生血管（CNV）活動性，或借助AI模型判斷滲出型AMD患者的治療指征，旨在提高其治療效果[27-28]。此外，不少團隊利用AI工具對AMD的疾病發展、治療需求和視力預后等進行了成功的預測[29-32]。
從以上研究可以看出，AI研究不局限于疾病診療流程中的某個環節，而是可以全方位地協助醫生進行AMD的疾病管理。值得一提的是，數據集也不僅限于眼底彩色照相和OCT圖像。有研究利用容積OCT和三維OCT等更加復雜多樣的圖像形式進行了模型的構建[27, 29]，相較于單一的眼底彩色照相和OCT圖像，這些圖像能夠提供更多的疾病信息，但是這也對硬件的性能和模型的算法提出了新的挑戰。
3 AI在青光眼中的運用
青光眼是全球首位不可逆致盲眼病。據估計，全球40～80歲青光眼患者人數在2020年為7600萬，到2040年將達到1.12億[33]。青光眼以視盤和視網膜神經纖維層（RNFL）等異常改變為特征，表現為進行性向心性的視野缺損。AI的首要目標便是通過這些結構和功能上的異常來檢測青光眼。
首先，一些團隊用視野圖像訓練DL網絡以識別青光眼，實現了較高診斷準確性，甚至高于青光眼專家[34-35]。其次，有研究表明，青光眼患者結構性損傷的發生先于視野的損害[36]，通過結構性改變可能更早地識別青光眼，從而早期干預改善預后。因此，更多的研究是利用眼底彩色照相和OCT來訓練DL模型，通過提取視盤和RNFL的結構特征來達到檢測青光眼的目的[16, 37-41]。最后，也有研究將功能和結構相結合用于青光眼的檢測，準確率優于單獨分析單一的功能或結構[39]。另外，AI模型已經能夠較為準確地預測疾病的進展[42-44]。
目前青光眼的診斷標準尚無共識，診斷通常僅基于專家意見。并且，有研究表明，觀察者之間和觀察者自身對青光眼診斷和進展判斷的一致性較低[45-46]，這影響了AI系統的準確性和不同系統之間的可比性。增加多種輸入類型，如功能、結構甚至基因數據以提高青光眼檢測能力是未來的發展方向。另外，運用無監督學習方法來挖掘更多青光眼的未知新特征，可能為青光眼的診斷提出新的見解。
4 AI在其他眼科疾病中的運用
許多AI研究團隊對ROP進行了探索[47]。除此之外，AI在包括圓錐角膜、感染性角膜炎、屈光手術、角膜移植、成年和小兒白內障等眼前節疾病的研究中也表現出巨大的潛力[48]。總體來看，AI在眼科領域的研究逐漸向更多疾病種類擴展，并且從篩查診斷到指導治療，其運用范圍也越來越廣泛。
5 AI在眼科發展的挑戰
AI技術在眼科領域已經展示出了光明的運用前景，但是目前大多數研究尚處于初步探索階段，在這些研究真正轉化為臨床運用之前還有諸多問題有待解決。
首先是結果可解釋性的欠缺，即“黑匣子”現象，這可能會降低醫生和患者對檢測結果的接受程度。由于DL是一種端到端的學習方法，即輸入原始數據，直接輸出結果，而省去了手動編碼的過程，因此DL對于檢測結果缺乏解釋能力，無法對結果提供確切的判斷依據。隨著DL的發展，目前有幾種方法有助于提高結果的可解釋性，包括遮擋測試和熱圖生成[49]。例如，有研究針對他們用于檢測需要轉診的DR的DL算法開發了一種可視化工具，以了解其決策過程。該方法在3%的真實陽性病例中突出顯示了不符合常規診斷依據的區域，如視盤及部分與視網膜血管相鄰的視網膜[50]。然而尚無法確定這些非常規區域究竟是新的生物標志物，還是學習過程中產生的錯誤關聯。
其次是數據標準化的缺乏。DL模型檢測結果只能無限趨近于用于訓練的數據集，因此訓練集的優劣決定了檢測結果的好壞。既往一些研究中的數據集大小不一、質量參差不齊，用這些數據集建立起來的DL模型準確性無法保證，更無法推廣到臨床。建立大規模、標準化的數據集是當前AI發展的當務之急，其中的標準化包括但不限于診斷金標準、數據采集流程、數據格式以及數據標注等。
第三是臨床適用性的不足。雖然許多模型在研究階段表現出了良好的性能，但是這些模型在真實世界中的準確性和穩定性仍然難以確定。首先，DL模型的創建都是基于歷史數據的回顧性研究，而在臨床實踐中，疾病患病率和圖像質量的差異等因素都有可能造成模型性能的降低。因此在模型正式投入臨床使用前，其準確性、可行性和魯棒性都必須接受前瞻性研究嚴格的檢驗。例如IDx-DR模型在獲批之前，也經過了前瞻性研究的證實[51]，但是模型在實際運用中的表現仍有待進一步驗證。其次，DL模型的建立都是基于特定的數據集，因此應當注意每個模型都有各自的適用范圍，包括相應數據集中包含的種族、人群、診斷標準和影像設備差異等重要信息。
最后是對倫理和法律問題的考量。AI系統的判斷是否能完全替代臨床醫生，AI系統做出錯誤判斷所致的不良后果到底應由算法開發商承擔還是由臨床醫生負責，諸如此類的倫理問題仍然存在爭議。AI訓練和運用過程中的指南、規范、法律也有待建立和完善。
6 AI在眼科發展的機遇
雖然眼科AI在發展中充滿挑戰，但我們更應看到先進技術帶來的新機遇。
首先是多模式影像學的發展。目前，AI模型的訓練多基于單一的眼底彩色照相或者頻域OCT圖像。然而，新一代掃頻源OCT和掃描激光眼底鏡等無創眼底檢查設備以及OCT血管成像技術已經走進臨床并逐漸成熟，為醫生觀察視網膜疾病提供了全新的視角和更多的細節。這些先進的影像技術與AI結合，勢必擦出閃亮的火花。而且，單一的圖像提供的疾病信息有限，多種不同類型的影像能給醫生提供多維度的疾病信息，有助于提高診斷的準確性。因此在模型構建過程中結合多種模式的影像以及其他疾病數據，也是未來的發展方向。
其次是數字技術和遠程醫療的創新。近年來，5G技術、物聯網等數字創新快速發展，為AI的運用提供了新的機遇。5G具有傳輸快、延遲低、容量大的特點，可以助力AI進行遠程、快速、實時的診斷[52]，不僅提高了疾病診斷效率，還能減少眼科醫生匱乏的偏遠地區的就診壓力。物聯網技術旨在保持不同設備和機器之間的互聯，而不需要人為干預[52]。例如，DR患者可以通過便攜式眼底照相設備定期進行眼底檢查，通過AI識別其是否需要轉診，或通過5G進行AI云診斷，并將診斷結果和治療建議通過智能手機返回給患者，使DR患者能夠得到最及時的診療；同時，眼底照相和診斷結果將會云儲存，便于患者和醫生隨時隨地查看。值得一提的是，新型冠狀病毒的疫情大流行為遠程醫療的發展提供了新的契機。在疫情中，眼科醫生感染新冠病毒的風險較高，可能與眼科門診量大以及醫生和患者的密切接觸有關。基于AI的遠程醫療對于減少病毒傳播、提高診療效率具有重要意義，這也將逐漸成為疫情以后眼科診療的新常態。
最后，視網膜是全身少數能直接觀察到血管的組織。已有研究表明，視網膜狀態與心血管疾病、阿爾茨海默病和睡眠呼吸暫停綜合征等全身疾病有著千絲萬縷的聯系[53-54]。借助眼科AI，通過視網膜無創檢查實現對全身疾病的預測也是未來眼科AI的重要運用之一。
近年來，隨著運算速度和儲存能力的提高、深度學習算法和體系結構的完善以及醫學大數據的積累，人工智能（AI）技術在醫學領域飛速發展，目前已在眼、放射、心血管和腫瘤等多個學科開展了大量相關研究[1-5]。機器學習（ML）和深度學習（DL）是AI的兩個重要概念。ML是AI的子領域，通常需要耗費大量的人力和專業知識來設計有效的特征提取器，從而將原始的輸入數據轉換為有用的輸出信息，因此處理原始數據的能力有限；而DL則是ML的子集，它是一種表示學習方法，無需特殊編程，能自動提取已知數據中的規則用于未知數據的判斷，因此能處理更多復雜的數據[1]。DL算法即人工神經網絡。多模式影像學的發展為眼科疾病的診斷提供了更加廣闊的視野，廣泛使用的眼底照相和光相干斷層掃描（OCT）為DL模型的開發提供了豐富的數據集，為AI在眼科領域的領先式發展創造了條件。自2016年首批運用DL篩查糖尿病視網膜病變（DR）的論文[6-7]發表以來，AI特別是DL在眼科領域的研究呈現出爆發式增長。研究病種從最初集中于DR、老年性黃斑變性（AMD）和青光眼，逐漸向早產兒視網膜病變（ROP）、白內障、角膜疾病等其他疾病擴展，研究場景涵蓋了篩查、診斷、治療、預測等疾病診療流程中的各個環節，研究也從模型算法到臨床驗證再到經濟價值評估，內容層層深化。然而，多數研究尚處于初級探索階段，眼科AI的發展仍然面臨諸多挑戰，如結果可解釋性欠缺、數據標準化缺乏和臨床適用性不足等。盡管如此，多模式影像學的發展、5G和物聯網等數字技術和遠程醫療的創新以及視網膜狀態能反映全身疾病的新發現都給眼科AI的發展帶來了新的機遇。了解眼科AI的研究現狀，迎接新挑戰，把握新機遇，才能成功實現眼科AI從研究到臨床運用的轉化。
1 AI在DR中的運用
DR是全球中年人即工作年齡階段成年人獲得性視力喪失的主要原因[8]。據估計，DR的患者人數到2030年將達到1.91億[9]。由于DR的患病率高、后果嚴重以及僅依據單一模式影像（眼底彩色照相）即可確診等特點，其因此成為眼科最早開展AI研究的疾病，也是研究最多最成熟的疾病。
篩查是AI之于DR最重要的運用。目前國際上已有許多研究團隊建立了不同的篩查DR的DL模型，均表現出不錯的檢測性能，曲線下面積為0.89～0.99，靈敏度為87.2%～100.0%，特異性為87.0%～100.0%[7, 10-12]；并且其中一些算法已在美國、歐洲、中國和非洲等不同國家和地區進行了外部驗證[13-15]。還有一些團隊開發了可以同時檢測包括DR、AMD和青光眼在內多種眼部疾病的DL模型[15-16]。這些研究成果展示了AI作為DR篩查工具的巨大潛力，鼓舞全球的研究者開展了更多更深入的工作。
AI對DR的研究不再停留在模型開發的初級階段，而是在模型性能被驗證后走上了從研發到臨床轉化的道路。2018年4月11日，美國食品藥品監督管理局批準了Abramoff團隊開發的用于DR篩查的IDx-DR模型，這是首個獲批的DR篩查設備。該模型能對輕度以上的DR進行轉診，以減輕基層眼科醫生的負擔，提高DR篩查的效率。這是AI產品從實驗室邁向臨床運用的第一步，對AI在眼科乃至整個醫學領域的發展都有著劃時代的意義。
研究證明，DR篩查的AI解決方案有利于節省醫療成本，擁有巨大的經濟價值[17]。這些研究從AI模型最初的開發與驗證，到臨床的轉化與運用，再到社會經濟價值的考慮，標志著AI在DR篩查的運用逐步走向成熟。
AI在DR的運用并不局限于DR疾病本身，其研究的范圍正在逐步擴大。糖尿病黃斑水腫（DME）是DR的嚴重并發癥，是DR患者視力下降甚至喪失的主要原因。已有研究團隊開發了檢測DME以及基于OCT表現預測DME患者抗血管內皮生長因子（VEGF）治療反應的DL模型[18-19]。可以看出，AI從DR篩查作為切入點，正在改變著DR診療流程的方方面面。
2 AI在AMD中的運用
AMD嚴重威脅50歲以上人群的視力，是老年人中首位不可逆致盲原因[20]。據預測，全球患有不同程度的AMD患者在2020年為1.96億，到2040將增加到2.88億[21]。其中，晚期AMD特別是滲出型AMD嚴重威脅著患者的視力。AMD是眾多團隊爭先研究的另一目標。目前，相關研究包含了AMD篩查、診斷、治療、預測等疾病診療流程中的各個環節。
首先，在人群中篩查出中期AMD對延緩疾病進展有重要意義[22]。早期的AI研究多基于眼底彩色照相[16, 23]。由于OCT在顯示細微結構上較眼底彩色照相更具優勢，因此基于OCT的模型表現出了更好的性能[24]。其次，為了給不同疾病階段的AMD患者提供個性化治療，有研究團隊基于OCT建立了多種AMD分期和分級的DL模型，包括對AMD患者按照疾病嚴重程度進行二分類、五分類以及最多分為十三類的模型，從總體上來看，分類數量越少的模型性能越好[25-26]。再次，抗VEGF藥物是目前滲出型AMD的一線治療方法，但是其在真實世界的治療效果遠不及臨床試驗。已有研究團隊開發AI工具檢測脈絡膜新生血管（CNV）活動性，或借助AI模型判斷滲出型AMD患者的治療指征，旨在提高其治療效果[27-28]。此外，不少團隊利用AI工具對AMD的疾病發展、治療需求和視力預后等進行了成功的預測[29-32]。
從以上研究可以看出，AI研究不局限于疾病診療流程中的某個環節，而是可以全方位地協助醫生進行AMD的疾病管理。值得一提的是，數據集也不僅限于眼底彩色照相和OCT圖像。有研究利用容積OCT和三維OCT等更加復雜多樣的圖像形式進行了模型的構建[27, 29]，相較于單一的眼底彩色照相和OCT圖像，這些圖像能夠提供更多的疾病信息，但是這也對硬件的性能和模型的算法提出了新的挑戰。
3 AI在青光眼中的運用
青光眼是全球首位不可逆致盲眼病。據估計，全球40～80歲青光眼患者人數在2020年為7600萬，到2040年將達到1.12億[33]。青光眼以視盤和視網膜神經纖維層（RNFL）等異常改變為特征，表現為進行性向心性的視野缺損。AI的首要目標便是通過這些結構和功能上的異常來檢測青光眼。
首先，一些團隊用視野圖像訓練DL網絡以識別青光眼，實現了較高診斷準確性，甚至高于青光眼專家[34-35]。其次，有研究表明，青光眼患者結構性損傷的發生先于視野的損害[36]，通過結構性改變可能更早地識別青光眼，從而早期干預改善預后。因此，更多的研究是利用眼底彩色照相和OCT來訓練DL模型，通過提取視盤和RNFL的結構特征來達到檢測青光眼的目的[16, 37-41]。最后，也有研究將功能和結構相結合用于青光眼的檢測，準確率優于單獨分析單一的功能或結構[39]。另外，AI模型已經能夠較為準確地預測疾病的進展[42-44]。
目前青光眼的診斷標準尚無共識，診斷通常僅基于專家意見。并且，有研究表明，觀察者之間和觀察者自身對青光眼診斷和進展判斷的一致性較低[45-46]，這影響了AI系統的準確性和不同系統之間的可比性。增加多種輸入類型，如功能、結構甚至基因數據以提高青光眼檢測能力是未來的發展方向。另外，運用無監督學習方法來挖掘更多青光眼的未知新特征，可能為青光眼的診斷提出新的見解。
4 AI在其他眼科疾病中的運用
許多AI研究團隊對ROP進行了探索[47]。除此之外，AI在包括圓錐角膜、感染性角膜炎、屈光手術、角膜移植、成年和小兒白內障等眼前節疾病的研究中也表現出巨大的潛力[48]。總體來看，AI在眼科領域的研究逐漸向更多疾病種類擴展，并且從篩查診斷到指導治療，其運用范圍也越來越廣泛。
5 AI在眼科發展的挑戰
AI技術在眼科領域已經展示出了光明的運用前景，但是目前大多數研究尚處于初步探索階段，在這些研究真正轉化為臨床運用之前還有諸多問題有待解決。
首先是結果可解釋性的欠缺，即“黑匣子”現象，這可能會降低醫生和患者對檢測結果的接受程度。由于DL是一種端到端的學習方法，即輸入原始數據，直接輸出結果，而省去了手動編碼的過程，因此DL對于檢測結果缺乏解釋能力，無法對結果提供確切的判斷依據。隨著DL的發展，目前有幾種方法有助于提高結果的可解釋性，包括遮擋測試和熱圖生成[49]。例如，有研究針對他們用于檢測需要轉診的DR的DL算法開發了一種可視化工具，以了解其決策過程。該方法在3%的真實陽性病例中突出顯示了不符合常規診斷依據的區域，如視盤及部分與視網膜血管相鄰的視網膜[50]。然而尚無法確定這些非常規區域究竟是新的生物標志物，還是學習過程中產生的錯誤關聯。
其次是數據標準化的缺乏。DL模型檢測結果只能無限趨近于用于訓練的數據集，因此訓練集的優劣決定了檢測結果的好壞。既往一些研究中的數據集大小不一、質量參差不齊，用這些數據集建立起來的DL模型準確性無法保證，更無法推廣到臨床。建立大規模、標準化的數據集是當前AI發展的當務之急，其中的標準化包括但不限于診斷金標準、數據采集流程、數據格式以及數據標注等。
第三是臨床適用性的不足。雖然許多模型在研究階段表現出了良好的性能，但是這些模型在真實世界中的準確性和穩定性仍然難以確定。首先，DL模型的創建都是基于歷史數據的回顧性研究，而在臨床實踐中，疾病患病率和圖像質量的差異等因素都有可能造成模型性能的降低。因此在模型正式投入臨床使用前，其準確性、可行性和魯棒性都必須接受前瞻性研究嚴格的檢驗。例如IDx-DR模型在獲批之前，也經過了前瞻性研究的證實[51]，但是模型在實際運用中的表現仍有待進一步驗證。其次，DL模型的建立都是基于特定的數據集，因此應當注意每個模型都有各自的適用范圍，包括相應數據集中包含的種族、人群、診斷標準和影像設備差異等重要信息。
最后是對倫理和法律問題的考量。AI系統的判斷是否能完全替代臨床醫生，AI系統做出錯誤判斷所致的不良后果到底應由算法開發商承擔還是由臨床醫生負責，諸如此類的倫理問題仍然存在爭議。AI訓練和運用過程中的指南、規范、法律也有待建立和完善。
6 AI在眼科發展的機遇
雖然眼科AI在發展中充滿挑戰，但我們更應看到先進技術帶來的新機遇。
首先是多模式影像學的發展。目前，AI模型的訓練多基于單一的眼底彩色照相或者頻域OCT圖像。然而，新一代掃頻源OCT和掃描激光眼底鏡等無創眼底檢查設備以及OCT血管成像技術已經走進臨床并逐漸成熟，為醫生觀察視網膜疾病提供了全新的視角和更多的細節。這些先進的影像技術與AI結合，勢必擦出閃亮的火花。而且，單一的圖像提供的疾病信息有限，多種不同類型的影像能給醫生提供多維度的疾病信息，有助于提高診斷的準確性。因此在模型構建過程中結合多種模式的影像以及其他疾病數據，也是未來的發展方向。
其次是數字技術和遠程醫療的創新。近年來，5G技術、物聯網等數字創新快速發展，為AI的運用提供了新的機遇。5G具有傳輸快、延遲低、容量大的特點，可以助力AI進行遠程、快速、實時的診斷[52]，不僅提高了疾病診斷效率，還能減少眼科醫生匱乏的偏遠地區的就診壓力。物聯網技術旨在保持不同設備和機器之間的互聯，而不需要人為干預[52]。例如，DR患者可以通過便攜式眼底照相設備定期進行眼底檢查，通過AI識別其是否需要轉診，或通過5G進行AI云診斷，并將診斷結果和治療建議通過智能手機返回給患者，使DR患者能夠得到最及時的診療；同時，眼底照相和診斷結果將會云儲存，便于患者和醫生隨時隨地查看。值得一提的是，新型冠狀病毒的疫情大流行為遠程醫療的發展提供了新的契機。在疫情中，眼科醫生感染新冠病毒的風險較高，可能與眼科門診量大以及醫生和患者的密切接觸有關。基于AI的遠程醫療對于減少病毒傳播、提高診療效率具有重要意義，這也將逐漸成為疫情以后眼科診療的新常態。
最后，視網膜是全身少數能直接觀察到血管的組織。已有研究表明，視網膜狀態與心血管疾病、阿爾茨海默病和睡眠呼吸暫停綜合征等全身疾病有著千絲萬縷的聯系[53-54]。借助眼科AI，通過視網膜無創檢查實現對全身疾病的預測也是未來眼科AI的重要運用之一。