眼科影像學檢查是眼部疾病早期篩查、評估和診斷的主要依據。近年隨著計算機數據分析能力的提高、新算法研究的深入和互聯網大數據平臺的普及，人工智能（AI）發展迅猛，成為醫學領域輔助診斷的前沿研究熱點。AI準確、高效的顯著優勢在處理圖像相關資料中具有極大的應用價值。AI在眼科領域的應用，不僅有助于推動眼科AI研究的發展，也能助力眼科診斷新型醫療服務模式建立，推進防盲治盲的進程。未來眼科AI的研究應綜合應用多模態的成像數據，對復雜性眼病進行綜合性的輔助診斷；整合標準化、高質量數據資源，提高算法性能。
引用本文： 童妍, 盧葦, 邢怡橋, 沈吟. 人工智能在眼科診斷中的應用研究現狀. 中華眼底病雜志, 2019, 35(5): 506-509. doi: 10.3760/cma.j.issn.1005-1015.2019.05.019 復制
眼科診斷過程中影像資料具有重要診斷參考價值。眼科影像資源豐富，如眼底照相、OCT、裂隙燈顯微鏡照相、FFA及眼部B型超聲等數據量呈指數級增長。如何分析這些數據，找到規律性的影像診斷依據并應用于輔助診斷，已成為重要的問題。人工智能（AI）的發展使得深藏于海量數據中的有效信息得到充分挖掘和有效利用，它具有高效率、高準確度的極大優勢。醫療和AI的結合為提高診斷效率、創新醫療服務模式提供了新的思路，有助于解決醫療資源供需失衡以及地域分配不均衡問題。目前，AI在皮膚癌、肺結節、糖尿病視網膜病變（DR）及冠狀動脈斑塊等疾病的自動診斷已有諸多成果，相信其在眼科診斷領域有巨大的應用潛力。現就AI在眼科診斷中應用研究現狀作一綜述，并對未來的方向進行展望。
1 AI概述
AI最早由約翰麥卡錫于1956年在達特茅斯會議上提出。隨著計算機科學技術的發展，AI研究領域也不斷擴大，在圖像識別、數據挖掘、自然語言處理和智能機器人等專業廣泛應用，其中圖像識別在醫學領域備受矚目。AI可快速進行數據計算和處理復雜信息，有助于增強醫生臨床診斷速率和精準度[1]。鑒于疾病的復雜性，需要足夠的數據來建立高準確性模型，深度學習（DL）是當前最具有應用前景的機器學習（ML）算法。
1.1 ML
ML是AI的一個分支，是通過預先設置算法對數據進行訓練，利用規律對未知數據進行預測的一組方法。算法依靠人工標注的信息標簽抽取樣本特征，分析預測輸出和正確輸出之間的差異，調整模型內部參數以提高其預測的準確度，即通過經驗自動改進。ML的重要特征是其預測準確率隨數據量的積累而不斷提高。傳統的ML模型有隨機森林（RF）[2]、支持向量機（SVM）[3]、k-近鄰算法、貝葉斯分類器等。
1.2 DL
DL是由大量簡單的處理單元（神經元）互相連接而形成的多層人工神經網絡（ANN）[4]，它是人腦神經網絡系統的簡化、抽象和模擬。與傳統ML比較，DL的算法結構更加深入，具有自我學習能力，不需人工手動標注標簽而隱式地從大量數據中自我訓練。DL通過逐層分析已知數據特征，發現內在規律，預測未知數據。隨著數據量的增多，神經網絡可通過調節內部大量節點間的相互連接，提高預測準確率。具有代表性的DL模型有卷積神經網絡（CNN）、深度信念網絡、遞歸神經網絡等。
1.3 從ML到DL
AI經歷了從ML到DL的發展過程，并在多方面取得了極大進步。傳統ML依靠淺層結構學習，由人工標注提取數據的特征；DL則通過多層神經網絡自動學習，提取數據層次化的特征并進行整合，易于發現數據內在規律，識別準確率更高。為建立更精準的模型，需要較大訓練樣本，DL由于無需提供手工標注數據，相較于傳統ML具有節省人力和時間的優勢。DL拓展了傳統ML的應用領域，是AI的重要發展方向。
2 AI在眼科及其他醫學中的應用
通過對大量醫療影像數據的訓練，AI可比較并提取正常圖像與異常圖像的差異，從X線、CT、MRI、眼底彩色照相及組織病理學檢查等圖像中準確識別疾病病灶，實現醫學圖像的自動化解讀。因此，AI在醫學影像的診斷上有著重要應用價值。
2.1 眼科領域應用
2.1.1 DR
DR是糖尿病最常見的微血管并發癥之一，發病率及致盲率逐年增加，可通過早期發現與治療預防失明[5]。近年來，基于眼底彩色照相的DR智能識別技術興起，傳統的ML技術可自動識別眼底彩色照相中的特征性病變，如微動脈瘤、視網膜滲出物、黃斑水腫、視盤新生血管等[6-9]，從而實現對DR的智能輔助診斷，極大提高了篩查效率。
2016年，美國醫學會雜志發表了一種基于DL的DR檢測應用。Google公司Gulshan等[10]建立了由12.8萬幅彩色眼底像組成的大數據集來訓練CNN算法。為驗證該算法的性能，使用了包括近1.2萬幅圖像的驗證數據集進行測試。結果顯示，該算法診斷DR的F-Score值（結合特異性和靈敏度指標，最大值為1）達到0.95，診斷準確度與眼科專家持平。此外，一些研究還將DL用于DR分期輔助診斷，為臨床醫生提供更精確的病情評估[11-12]。
AI介導的眼科影像評估不僅局限于眼底彩色照相，還應用于多種方式的成像模態[13]。ElTanboly等[14]開發了一個基于DL的計算機輔助系統，通過OCT圖像訓練深度融合分類網絡以檢測DR。結果顯示，檢測的準確性、靈敏度和特異性分別達到92%、83%、100%。Alpha Go的研發團隊DeepMind使用DL技術設計出的智能軟件，可通過OCT檢查結果創建出組織的3D圖像，識別包括DR在內的50多種眼科疾病并推薦轉診意見，算法優于8名視網膜專家[15]。
隨著DR智能篩查系統的不斷研發，AI在眼科領域的應用也在加速落地。2018年4月，美國食品及藥品監督管理局批準了世界上第一款使用AI來檢測DR的醫療設備IDx-DR[16]，它可以提供自動篩選決策，而無需臨床醫生對圖像進行解釋，極大地節約了社會成本。
2.1.2 老年性黃斑變性（AMD）
AMD是老年人黃斑區發病率較高的退行性疾病，其特點是黃斑區出現玻璃膜疣、視網膜色素異常、地圖樣萎縮以及新生血管性黃斑病變等改變；進展癥狀隱匿，可導致患眼視力嚴重下降。因此，早期診斷并及時干預意義重大[17]。Bogunovic等[18]基于AMD玻璃膜疣在OCT上的影像特征，開發了一種ML方法進行估計風險評分，并預測玻璃膜疣的發展和轉歸，此研究中提出的預測模型可以輔助預測AMD的進展，有助于延緩AMD的進程。
Burlina等[19]收集評估了13萬張來自于美國國立衛生研究院的眼底圖像數據，按照疾病嚴重程度分為4期，搭建了兩種CNN模型來分類圖像，最終模型準確度介于88.4%～91.6%之間，達到人類專家診斷水平。該研究應用的大型AREDS（Age-Related Eye Study）數據庫為DL模型用于AMD的篩查奠定了良好的基礎。此項研究表明，通過科技輔助的眼科診斷模式可以檢測病情進展狀況，節約患者的篩查成本及獲得治療建議等。
AI不僅實現了精準化診斷，還可針對性地指導疾病治療，預測新生血管性AMD抗VEGF藥物治療需求[20]。Prahs等[21]通過OCT圖像訓練深度神經網絡來預測患者是否需進行玻璃體腔注射抗VEGF藥物治療，模型展現了良好的分類性能。
2.1.3 白內障
白內障是一種以晶狀體透明度下降為特征的最常見致盲性疾病，早期預防和治療十分重要。Caixinha等[22]應用多種AI算法如SVM、ANN和CNN等，從眼前節照相、眼底彩色照相和B型超聲中分析得出白內障的診斷和分級；Mohammadi等[23]則將ML應用于預測白內障超聲乳化手術后后囊混濁的風險；Gao等[24]構建了5378張裂隙燈圖像數據集，將DL技術應用于老年性白內障的自動診斷，可用于在人群大規模篩查白內障。
先天性白內障多在出生前或兒童期發病，可導致嬰幼兒失明或弱視，嚴重影響患兒的視力發育。中山眼科中心劉奕志教授團隊建立了“CC-Cruiser先天性白內障AI平臺”，利用識別、評估和決策的DL網絡對裂隙燈顯微鏡眼前節先天性白內障圖像數據進行分析和訓練，實現先天性白內障的自動診斷，并可根據相關指標評估疾病風險，給出治療方案，準確率高達99%[25]。目前該系統已設計為智能機器人應用于中山大學眼科中心門診，該應用將有效提高先天性白內障篩查效率。在此基礎上，研究團隊將該智能系統嵌入云平臺，并初步搭建協作醫院應用網絡，為推進遠程與分級診療奠定了基礎。
2.1.4 青光眼
青光眼是一類退行性視神經疾病，會導致視神經節細胞死亡與功能缺失，表現為視網膜結構與功能的損傷，屬不可逆致盲眼病。AI技術主要應用于檢測眼底C/D、視網膜神經纖維層（RNFL）厚度及視野等[26]，為更快更準地診斷青光眼提供了新的思路。Li等[27]基于青光眼眼底圖像所顯示的視盤整體和局部特征，比較了不同CNN算法（GoogleNet和AlexNet）診斷青光眼的性能，發現與人工檢測結果相近。
RNFL厚度降低可作為青光眼的早期征兆。Bizios等[28]應用ANN和SVM分類器測量RNFL厚度，模型的受試者工作特征曲線下面積（AUC）分別達到98.2%和98.9%。Barella等[29]應用ML分類器和RF技術分析RNFL和視神經相關數據，檢測準確率達到88.7%。Kim等[30]整合患眼及健康對照眼的RNFL厚度、視野測試參數以研發ML模型，應用于青光眼和健康眼的分類，最佳靈敏度和特異性分別為98.3%、97.5%。青光眼是隱匿的視力殺手，早期診斷將有助于提升患者的生存質量。
視野缺損是青光眼進展過程中視覺功能的主要改變。Anderson等[31]將ANN模型對165例青光眼患者視野圖像的診斷準確率和臨床醫生進行比較，研究結果表明AI系統的靈敏度和特異性最高，分別為93%和91%；Asaoka等[32]結合深度前饋神經網絡方法鑒別手術前開角型青光眼患者和健康眼的視野，AUC為92.6%。2019年1月，中國科學院深圳先進技術研究院基于萬級精標視野數據研發的“青光眼AI篩查平臺iGlaucoma 1.0”成功落地并形成APP在多中心使用，診斷準確度達到87.6%，實現了電腦端和移動端的視野報告自動判讀，可更好地輔助基層醫生診斷青光眼。
2.2 其他醫學領域應用
除了上述常見的眼科疾病以外，其他全身系統性疾病的AI研究成果也不斷涌現，在皮膚病、腫瘤、心血管疾病及心理疾病等方面的應用取得了諸多突破性進展。
斯坦福大學團隊通過13萬張皮膚病變圖片訓練的深度神經網絡來識別皮膚病變，其準確率達到91%[33]；Bejnordi等[34]提出一種基于CNN算法的乳腺組織病理玻片的智能診斷系統，實現了對非惡性和惡性病理玻片的二分類，AUC達到96.2%；Ambastha等[35]應用深度神經網絡對退化大腦結構進行建模，可區分阿爾玆海默病患者和健康受試者，準確率高達81.79%；Weng等[36]將龐大的臨床數據與4種ML算法相結合，預測10年發生心血管疾病的風險概率，并與已建立的美國心臟協會指南的風險預測算法進行比較，以此證明ML顯著提高了心血管疾病風險預測的準確率。以上研究表明基于大規模圖像數據集的特征學習模型已經逐漸成熟。
3 展望
AI已顯示出其在眼科多種疾病影像識別、疾病診斷、預后分析等方面的優勢。雖尚未進入成熟的大規模應用期，但其所展現的強大的自學習、自適應、自組織和并行式處理信息的能力，表明其能夠高效、準確地進行疾病早期篩查，在輔助臨床醫生進行診斷及監測隨訪工作方面，具有良好的應用前景和社會效益。
目前，AI在眼科相關研究中還存在著一些不足[37]：（1）國內眼科AI的研究多在國外眼底圖像數據集的基礎上進行擴充，具有信息種類多源化、標注質量參差不齊、格式不統一等特征，缺乏標準化、高質量數據資源支撐；（2）醫療AI算法創新不足，多數屬于初級研發階段，在處理多樣性和復雜性問題方面還有很大的提升空間；（3）眼病種類繁多，AI系統多集中研究單模態的常見眼病，缺乏對多維度的眼科診斷數據的分析，尚無法診斷多種眼病。為使AI適應于現實場景眼科診斷的復雜性，亟需整合多源數據集，加快創建高質量的標準化眼科圖像數據庫；打破國外智能醫療技術壁壘，進一步提升算法性能；同時融合眼科臨床指南及各項檢查結果，建立多維度、多要素預測模型，實現眼科全量影像數據的智能多維度綜合輔助診斷。
隨著新一代互聯網技術的應用，便攜式拍攝設備的開發及移動5G、智能可穿戴設備、數字化圖像等變革性技術的發展，眼科AI將步入新的階段，進一步提高輔助診斷效率，提升醫療服務質量，助力眼科學發展和進步。相信通過多學科、多行業交叉協作，眼科AI將發揮更高的價值。
眼科診斷過程中影像資料具有重要診斷參考價值。眼科影像資源豐富，如眼底照相、OCT、裂隙燈顯微鏡照相、FFA及眼部B型超聲等數據量呈指數級增長。如何分析這些數據，找到規律性的影像診斷依據并應用于輔助診斷，已成為重要的問題。人工智能（AI）的發展使得深藏于海量數據中的有效信息得到充分挖掘和有效利用，它具有高效率、高準確度的極大優勢。醫療和AI的結合為提高診斷效率、創新醫療服務模式提供了新的思路，有助于解決醫療資源供需失衡以及地域分配不均衡問題。目前，AI在皮膚癌、肺結節、糖尿病視網膜病變（DR）及冠狀動脈斑塊等疾病的自動診斷已有諸多成果，相信其在眼科診斷領域有巨大的應用潛力。現就AI在眼科診斷中應用研究現狀作一綜述，并對未來的方向進行展望。
1 AI概述
AI最早由約翰麥卡錫于1956年在達特茅斯會議上提出。隨著計算機科學技術的發展，AI研究領域也不斷擴大，在圖像識別、數據挖掘、自然語言處理和智能機器人等專業廣泛應用，其中圖像識別在醫學領域備受矚目。AI可快速進行數據計算和處理復雜信息，有助于增強醫生臨床診斷速率和精準度[1]。鑒于疾病的復雜性，需要足夠的數據來建立高準確性模型，深度學習（DL）是當前最具有應用前景的機器學習（ML）算法。
1.1 ML
ML是AI的一個分支，是通過預先設置算法對數據進行訓練，利用規律對未知數據進行預測的一組方法。算法依靠人工標注的信息標簽抽取樣本特征，分析預測輸出和正確輸出之間的差異，調整模型內部參數以提高其預測的準確度，即通過經驗自動改進。ML的重要特征是其預測準確率隨數據量的積累而不斷提高。傳統的ML模型有隨機森林（RF）[2]、支持向量機（SVM）[3]、k-近鄰算法、貝葉斯分類器等。
1.2 DL
DL是由大量簡單的處理單元（神經元）互相連接而形成的多層人工神經網絡（ANN）[4]，它是人腦神經網絡系統的簡化、抽象和模擬。與傳統ML比較，DL的算法結構更加深入，具有自我學習能力，不需人工手動標注標簽而隱式地從大量數據中自我訓練。DL通過逐層分析已知數據特征，發現內在規律，預測未知數據。隨著數據量的增多，神經網絡可通過調節內部大量節點間的相互連接，提高預測準確率。具有代表性的DL模型有卷積神經網絡（CNN）、深度信念網絡、遞歸神經網絡等。
1.3 從ML到DL
AI經歷了從ML到DL的發展過程，并在多方面取得了極大進步。傳統ML依靠淺層結構學習，由人工標注提取數據的特征；DL則通過多層神經網絡自動學習，提取數據層次化的特征并進行整合，易于發現數據內在規律，識別準確率更高。為建立更精準的模型，需要較大訓練樣本，DL由于無需提供手工標注數據，相較于傳統ML具有節省人力和時間的優勢。DL拓展了傳統ML的應用領域，是AI的重要發展方向。
2 AI在眼科及其他醫學中的應用
通過對大量醫療影像數據的訓練，AI可比較并提取正常圖像與異常圖像的差異，從X線、CT、MRI、眼底彩色照相及組織病理學檢查等圖像中準確識別疾病病灶，實現醫學圖像的自動化解讀。因此，AI在醫學影像的診斷上有著重要應用價值。
2.1 眼科領域應用
2.1.1 DR
DR是糖尿病最常見的微血管并發癥之一，發病率及致盲率逐年增加，可通過早期發現與治療預防失明[5]。近年來，基于眼底彩色照相的DR智能識別技術興起，傳統的ML技術可自動識別眼底彩色照相中的特征性病變，如微動脈瘤、視網膜滲出物、黃斑水腫、視盤新生血管等[6-9]，從而實現對DR的智能輔助診斷，極大提高了篩查效率。
2016年，美國醫學會雜志發表了一種基于DL的DR檢測應用。Google公司Gulshan等[10]建立了由12.8萬幅彩色眼底像組成的大數據集來訓練CNN算法。為驗證該算法的性能，使用了包括近1.2萬幅圖像的驗證數據集進行測試。結果顯示，該算法診斷DR的F-Score值（結合特異性和靈敏度指標，最大值為1）達到0.95，診斷準確度與眼科專家持平。此外，一些研究還將DL用于DR分期輔助診斷，為臨床醫生提供更精確的病情評估[11-12]。
AI介導的眼科影像評估不僅局限于眼底彩色照相，還應用于多種方式的成像模態[13]。ElTanboly等[14]開發了一個基于DL的計算機輔助系統，通過OCT圖像訓練深度融合分類網絡以檢測DR。結果顯示，檢測的準確性、靈敏度和特異性分別達到92%、83%、100%。Alpha Go的研發團隊DeepMind使用DL技術設計出的智能軟件，可通過OCT檢查結果創建出組織的3D圖像，識別包括DR在內的50多種眼科疾病并推薦轉診意見，算法優于8名視網膜專家[15]。
隨著DR智能篩查系統的不斷研發，AI在眼科領域的應用也在加速落地。2018年4月，美國食品及藥品監督管理局批準了世界上第一款使用AI來檢測DR的醫療設備IDx-DR[16]，它可以提供自動篩選決策，而無需臨床醫生對圖像進行解釋，極大地節約了社會成本。
2.1.2 老年性黃斑變性（AMD）
AMD是老年人黃斑區發病率較高的退行性疾病，其特點是黃斑區出現玻璃膜疣、視網膜色素異常、地圖樣萎縮以及新生血管性黃斑病變等改變；進展癥狀隱匿，可導致患眼視力嚴重下降。因此，早期診斷并及時干預意義重大[17]。Bogunovic等[18]基于AMD玻璃膜疣在OCT上的影像特征，開發了一種ML方法進行估計風險評分，并預測玻璃膜疣的發展和轉歸，此研究中提出的預測模型可以輔助預測AMD的進展，有助于延緩AMD的進程。
Burlina等[19]收集評估了13萬張來自于美國國立衛生研究院的眼底圖像數據，按照疾病嚴重程度分為4期，搭建了兩種CNN模型來分類圖像，最終模型準確度介于88.4%～91.6%之間，達到人類專家診斷水平。該研究應用的大型AREDS（Age-Related Eye Study）數據庫為DL模型用于AMD的篩查奠定了良好的基礎。此項研究表明，通過科技輔助的眼科診斷模式可以檢測病情進展狀況，節約患者的篩查成本及獲得治療建議等。
AI不僅實現了精準化診斷，還可針對性地指導疾病治療，預測新生血管性AMD抗VEGF藥物治療需求[20]。Prahs等[21]通過OCT圖像訓練深度神經網絡來預測患者是否需進行玻璃體腔注射抗VEGF藥物治療，模型展現了良好的分類性能。
2.1.3 白內障
白內障是一種以晶狀體透明度下降為特征的最常見致盲性疾病，早期預防和治療十分重要。Caixinha等[22]應用多種AI算法如SVM、ANN和CNN等，從眼前節照相、眼底彩色照相和B型超聲中分析得出白內障的診斷和分級；Mohammadi等[23]則將ML應用于預測白內障超聲乳化手術后后囊混濁的風險；Gao等[24]構建了5378張裂隙燈圖像數據集，將DL技術應用于老年性白內障的自動診斷，可用于在人群大規模篩查白內障。
先天性白內障多在出生前或兒童期發病，可導致嬰幼兒失明或弱視，嚴重影響患兒的視力發育。中山眼科中心劉奕志教授團隊建立了“CC-Cruiser先天性白內障AI平臺”，利用識別、評估和決策的DL網絡對裂隙燈顯微鏡眼前節先天性白內障圖像數據進行分析和訓練，實現先天性白內障的自動診斷，并可根據相關指標評估疾病風險，給出治療方案，準確率高達99%[25]。目前該系統已設計為智能機器人應用于中山大學眼科中心門診，該應用將有效提高先天性白內障篩查效率。在此基礎上，研究團隊將該智能系統嵌入云平臺，并初步搭建協作醫院應用網絡，為推進遠程與分級診療奠定了基礎。
2.1.4 青光眼
青光眼是一類退行性視神經疾病，會導致視神經節細胞死亡與功能缺失，表現為視網膜結構與功能的損傷，屬不可逆致盲眼病。AI技術主要應用于檢測眼底C/D、視網膜神經纖維層（RNFL）厚度及視野等[26]，為更快更準地診斷青光眼提供了新的思路。Li等[27]基于青光眼眼底圖像所顯示的視盤整體和局部特征，比較了不同CNN算法（GoogleNet和AlexNet）診斷青光眼的性能，發現與人工檢測結果相近。
RNFL厚度降低可作為青光眼的早期征兆。Bizios等[28]應用ANN和SVM分類器測量RNFL厚度，模型的受試者工作特征曲線下面積（AUC）分別達到98.2%和98.9%。Barella等[29]應用ML分類器和RF技術分析RNFL和視神經相關數據，檢測準確率達到88.7%。Kim等[30]整合患眼及健康對照眼的RNFL厚度、視野測試參數以研發ML模型，應用于青光眼和健康眼的分類，最佳靈敏度和特異性分別為98.3%、97.5%。青光眼是隱匿的視力殺手，早期診斷將有助于提升患者的生存質量。
視野缺損是青光眼進展過程中視覺功能的主要改變。Anderson等[31]將ANN模型對165例青光眼患者視野圖像的診斷準確率和臨床醫生進行比較，研究結果表明AI系統的靈敏度和特異性最高，分別為93%和91%；Asaoka等[32]結合深度前饋神經網絡方法鑒別手術前開角型青光眼患者和健康眼的視野，AUC為92.6%。2019年1月，中國科學院深圳先進技術研究院基于萬級精標視野數據研發的“青光眼AI篩查平臺iGlaucoma 1.0”成功落地并形成APP在多中心使用，診斷準確度達到87.6%，實現了電腦端和移動端的視野報告自動判讀，可更好地輔助基層醫生診斷青光眼。
2.2 其他醫學領域應用
除了上述常見的眼科疾病以外，其他全身系統性疾病的AI研究成果也不斷涌現，在皮膚病、腫瘤、心血管疾病及心理疾病等方面的應用取得了諸多突破性進展。
斯坦福大學團隊通過13萬張皮膚病變圖片訓練的深度神經網絡來識別皮膚病變，其準確率達到91%[33]；Bejnordi等[34]提出一種基于CNN算法的乳腺組織病理玻片的智能診斷系統，實現了對非惡性和惡性病理玻片的二分類，AUC達到96.2%；Ambastha等[35]應用深度神經網絡對退化大腦結構進行建模，可區分阿爾玆海默病患者和健康受試者，準確率高達81.79%；Weng等[36]將龐大的臨床數據與4種ML算法相結合，預測10年發生心血管疾病的風險概率，并與已建立的美國心臟協會指南的風險預測算法進行比較，以此證明ML顯著提高了心血管疾病風險預測的準確率。以上研究表明基于大規模圖像數據集的特征學習模型已經逐漸成熟。
3 展望
AI已顯示出其在眼科多種疾病影像識別、疾病診斷、預后分析等方面的優勢。雖尚未進入成熟的大規模應用期，但其所展現的強大的自學習、自適應、自組織和并行式處理信息的能力，表明其能夠高效、準確地進行疾病早期篩查，在輔助臨床醫生進行診斷及監測隨訪工作方面，具有良好的應用前景和社會效益。
目前，AI在眼科相關研究中還存在著一些不足[37]：（1）國內眼科AI的研究多在國外眼底圖像數據集的基礎上進行擴充，具有信息種類多源化、標注質量參差不齊、格式不統一等特征，缺乏標準化、高質量數據資源支撐；（2）醫療AI算法創新不足，多數屬于初級研發階段，在處理多樣性和復雜性問題方面還有很大的提升空間；（3）眼病種類繁多，AI系統多集中研究單模態的常見眼病，缺乏對多維度的眼科診斷數據的分析，尚無法診斷多種眼病。為使AI適應于現實場景眼科診斷的復雜性，亟需整合多源數據集，加快創建高質量的標準化眼科圖像數據庫；打破國外智能醫療技術壁壘，進一步提升算法性能；同時融合眼科臨床指南及各項檢查結果，建立多維度、多要素預測模型，實現眼科全量影像數據的智能多維度綜合輔助診斷。
隨著新一代互聯網技術的應用，便攜式拍攝設備的開發及移動5G、智能可穿戴設備、數字化圖像等變革性技術的發展，眼科AI將步入新的階段，進一步提高輔助診斷效率，提升醫療服務質量，助力眼科學發展和進步。相信通過多學科、多行業交叉協作，眼科AI將發揮更高的價值。