编者按：随着时代的发展，人工智能技术被越来越广泛的应用到医疗领域，在眼科疾病筛查以及近视防控当中发挥了重大作用，成为不可或缺的得力助手。角膜塑形镜可以有效延缓近视发展，成为近视防控的一大利器，被广泛应用到我国儿童青少年近视防控工作中，但角膜塑形镜验配学习曲线长、近视控制效果评估受生理性眼轴增长干扰，对角膜塑形镜验配工作的广泛开展造成了阻碍。北京大学人民医院眼视光中心王凯教授将人工智能技术与近视防控相结合，从机器学习如何用于角膜塑形镜验配、人工智能预测生理性眼轴增长两方面为大家介绍了人工智能在眼视光学科中的应用，共享视光学领域人工智能的发展成果，助力近视防控目标早日实现。
近年来，近视发病率急剧增加，儿童近视低龄化，如果不及时干预，高度近视的风险将大大增加。大量研究表明，配戴角膜塑形镜可显著延缓眼轴增长，然而角膜塑形镜设计复杂，并且因为专利保护，很多参数不对外公开，造成医生验配学习曲线长、验配时间长等问题，给其安全、广泛推广带来阻力。随着智慧医疗的发展，人工智能技术被广泛应用到眼病筛查、近视防控等诸多领域。在其日渐完善的发展过程中，人们将人工智能技术应用到角膜塑形镜的验配中，以提高验配准确率，缩短验配时间，提高工作效率。
追本溯源——角膜塑形镜设计的基本原则
人工智能应用于角膜塑形镜验配之前先了解其设计的基本原则。角膜塑形镜只有满足以下设计才能形成有效塑形：
基弧区（BC），BC=平K-降幅-Jesson Factor；
能够产生足够负压吸引的反转区(RC)；
有效封闭的着陆区；
有效泪液交换的边弧区。
理想的镜片矢高高于角膜40-50μm，以CRT设计的角膜塑形镜为例，镜片的总矢高由BC、RC、着陆角（LZA）三个参数组成，三个参数不能互相替代。
BC变化对矢高有影响，假设BC直径6.0mm，VST设计的角膜塑形镜每调整0.25D，矢高大约变化3.7-3.8μm，CRT设计的BC每调整1档矢高大约变化7μm是不完全正确的。
CRT设计的角膜塑形镜验配指南指出LZA每档改变矢高15μm，假设角膜塑形镜着陆在着陆区的中间点附近， LZA越大，着陆位置越靠外，对矢高的影响越大。
综上所述，角膜塑形镜验配原则就是矢高验配，VST设计的角膜塑形镜在验配过程中看似在定镜片的定位弧松紧，其实在找镜片的合适的矢高，只是RZD是每个厂家的专利秘密，但CRT设计的角膜塑形镜的矢高可以直接计算，两者存在差异并各有优缺点。
为虎添翼——人工智能应用于角膜塑形镜验配
人工智能细分为以下四个领域：深度学习、计算机视觉、语音识别和语言处理、虚拟个人助理。人工智能在眼视光学科主要应用于近视的大数据学习、近视控制药物的筛选、双眼视觉分析、接触镜验配、图形识别和分类、屈光不正临床决策等几个方面。其应用于角膜塑形镜验配领域，大大提高了验配准确率和验配效率。
从前面的讲述可知角膜塑形镜的验配就是矢高的验配，经典的矢高计算如下图：
在真实角膜上很难获取准确的角膜曲率半径和弦长。角膜塑形镜配戴在角膜前表面，参数需与前表面吻合，只有准确识别角膜的形态，才能准确评估角膜矢高。角膜地形图可以准确提供角膜前表面的多点参数，机器学习方法给我们提供了有效方法。
筛选1037例符合入组标准的患者，通过导出患者角膜前表面高地图矩阵估算鼻侧、颞侧、上方和下方的RZD和LZA，通过机器学习方法，输入变量：年龄、性别、水平可视虹膜直径、等效球镜、e值、平k、陡k、角膜散光、眼轴与平均k值比、前房深度。随机抽取726例建立训练集，104例进行验证集，207例进行测试良好。
结果显示，机器学习的效果和拉尺法、计算法、线性回归法一致性良好。
运筹帷幄——人工智能预测生理性眼轴增长
轴性近视是最常见的一种近视类型，临床中可以通过眼轴增长的长度来进行估算其发展。一些研究者认为，1.00D近视度数的发展可对应0.3-0.5mm眼轴长度的变化，也有研究表明不同屈光状态眼轴增长速率不同，欧洲6-9岁儿童眼轴每年增长量近视眼0.34mm，正视眼0.19mm，远视眼0.15mm，亚洲7-12岁正视眼儿童5年眼轴增加0.6mm。但是对于儿童青少年而言，眼轴的增长并不完全意味着近视度数的增加。
1mm的眼轴增加对应的等效球镜变化，取决于年龄跨度，因为有一部分的眼轴增长属于生理性眼轴增长，其主要由晶状体屈光度的改变来进行屈光补偿而不增加近视度数。因此识别眼轴增长中的生理性部分，对于准确判断青少年儿童的近视进展非常重要。我国青少年人群中近视发病率较高，我们难以找到一群6岁到18岁的人群来进行生理性眼轴增长的研究。王凯教授团队利用人工智能为我们提供了一个估算国人青少年儿童生理性眼轴增长的新方法。
该研究对2017年1月至2018年12月就诊于北京大学人民医院眼视光中心的1011名6-18岁近视青少年患者（共1011只眼）进行大样本的横断面研究。本研究采用基于5折交叉验证的六种机器学习算法对所有收集的数据进行处理和分析。模型的输入变量为：年龄、性别、角膜曲率、中央角膜厚度、水平可见虹膜直径和等效球镜；模型的输出变量为：眼轴。根据评估指标（包括R2、R、MAE、MSE、RMSE）的大小，运用综合性能最佳的算法模型（鲁棒线性回归模型）对眼轴进行预测。
通过将一些变量固定，当等效球镜不变时，得出年龄-眼轴增长的生长曲线图，通过求年龄-眼轴生长曲线的偏导数，即为年龄-生理性眼轴增长的生长曲线图。
这一结果如何帮助到大家的临床工作呢？结合下表分析：当一名男性患者，6岁时患有-1.00D近视，若他的K-mean为42.00D时，此时他的生理性眼轴增长量大约为0.082mm/年，而到18岁时，若近视度数保持不变，则此时他的生理性眼轴增长量约为0.020mm/年。
6岁和18岁男性女性生理性眼球增长的评估（mm/年）
根据机器学习算法模型，王教授认为，生理性眼轴增长有如下特点：
男孩生理性眼轴增长略大于女孩
年龄越大，生理性眼轴增长越小
高度数对应的生理性眼轴增加量大
平曲率对应的生理性眼轴增加量大
对于配戴OK镜的患者，临床上我们常常通过定期测量眼轴来评估近视的发展情况，运用机器学习算法可以把眼轴增长中的生理性眼轴增长和非生理性眼轴增长区分出来，从而可以在不停戴OK镜的情况下较为准确地评估近视发展，有助于在临床中指导近视防控。
人工智能的浪潮在医疗领域席卷而来，在眼病筛查、近视防控等领域已经发展的日益成熟，成为全面眼健康事业的得力助手，并逐步拓展走向更加精细的治疗领域，对人工智能技术的了解将成为一名眼科医生的必备技能，在不久的将来，人工智能的应用将更加细化拓展，在接触镜验配中，包括镜片参数选择、动态荧光分析、角膜地形图判断等方面发挥作用，在屈光手术设计中为眼科医生提供更有力的指导。
专家简介
王凯教授
北京大学人民医院眼视光中心主任医师、教授、博士研究生导师、眼科学博士。北京大学医学部眼视光学院院长助理；加州大学伯克利分校眼视光学院博士后、访问学者；中华医学会行为医学分会科普学组委员；医促会视觉健康分会青委会副主任委员；北京医师协会眼视光专业委员会副主任委员；北京眼视光学会副会长；中国医学教育协会医疗器械管理会眼科分会委员；教育部高等学校眼视光医学专业教学指导分委会委员；北京医学会眼科学分会青委会委员；欧美同学会医师协会眼科分会委员。长期从事眼视光学，特别是青少年近视防控的基础和临床工作，擅长角膜塑形镜验配、近视激光手术、高度近视眼内透镜（ICL）植入手术、白内障手术、圆锥角膜等复杂眼视光病例的处理。多次担任中华健康快车白内障扶贫项目医务部主任，完成各类白内障和屈光手术上万例。承担北京市科委首都临床特色应用研究1项；承担国家自然科学基金面上项目1项。以第一作者或通讯作者身份在SCI和国内核心期刊发表论文数十篇。以第一发明人身份获国家发明专利4项，实用新型专利5项。北京卫视“我是大医生”栏目嘉宾主持人。
2 comments
京公网安备 11010502033360号
条评论
Linda Gareth
2015年3月6日, 下午2:51Donec ipsum diam, pretium maecenas mollis dapibus risus. Nullam tindun pulvinar at interdum eget, suscipit eget felis. Pellentesque est faucibus tincidunt risus id interdum primis orci cubilla gravida.