编者按

儿童眼病患者数量多、患儿配合度差、诊疗难度大，小儿眼科医生数量少，巨大的医患供需失衡限制了我国儿童眼病患者的医疗可及性。人工智能（AI）技术近年来在医疗领域的应用迅猛发展，其诊断迅速、精确度高、客观可信等特点为解决儿童眼病医患间的巨大供需失衡提供了可能。从出生到7岁或8岁为大多数儿童的眼球结构及视觉发育期[1]，在此期间发生的眼部疾病可能造成弱视或视力下降，导致永久性视力缺失，因此需要儿童定期进行检查。在2023全国斜视与小儿眼科大会上，首都医科大学附属北京同仁医院付晶教授对AI技术在小儿眼科临床实践应用中的研究进展、前景及局限性进行了综述，以期为促进AI技术在儿童眼病诊疗中的广泛应用、提升小儿眼病患者医疗可及性提供借鉴。

AI的定义及发展

AI是对于任何利用数据处理和模式识别来模拟认知功能（包括学习和解决问题）的系统的总称[2]，1956年由McCarthy首次提出[3]，随后Samuel在1959年进一步细化，提出机器学习（machine learning，ML）的概念，指AI系统能够从数据中自动学习，并应用于大数据分析的技术。眼科常用ML算法包括线性和逻辑回归、分类和回归树、随机森林、k均值和线性判别分析等[4]。深度学习（deep learning，DL）作为ML的子领域，可通过神经网络研究多个处理层数据的特征，并进行分类。眼科研究中最常用的深度学习算法包括卷积神经网络（convolutional neural networks，CNN）和递归神经网络（recurrent neural networks，RNN）[5]。

AI在小儿眼科的临床应用

一、斜视

斜视患病率约5%，可能伴随弱视，破坏双眼视觉和立体视觉，影响患者自尊和人际关系[6]。临床上，小儿眼科医生一般通过眼外肌检查对患儿的斜视进行初步诊断，但因儿童年龄小、注意力持续时间短、配合性较差，需要多次检查才能准确诊断，导致医生在诊疗过程中耗费更多时间和精力。因此，通过AI技术迅速识别和诊断斜视是诊疗重点。CNN是一种常用DL技术[7]，可基于眼球追踪数据的注视偏差检测斜视[8]。Lu等人[9]结合两个CNN制作了根据面部照片远程诊断斜视的系统，结果准确度较高。近年来有研究[10]对儿童分别通过小儿眼科专科医生和AI技术进行遮盖去遮盖测试和三棱镜交替遮盖测试，两种方法的检测结果相关性高，说明AI技术可远程诊断斜视，并取代人工直接对患者进行两种遮盖测试，达到远距离医疗的效果。

二、早产儿视网膜病变（ROP）

ROP是全球儿童失明的主要原因之一[11]。因为ROP诊断步骤繁琐，临床医生需多次检查后进行主观判断，导致大量患儿无法得到及时诊断和治疗。AI应用重点在于迅速筛查和诊断ROP，缓解医生压力。目前ROP检测方法大多基于CNN，以眼底图像作为输入建立系统，如Redd研究的i-ROP-DL和Wang研究的DeepROP系统等。Redd[12]等人采集了7个参与中心的数据，以1~9的等级对870名婴儿的视网膜血管异常进行定量评估，结果表示i-ROP-DL对1型ROP的敏感度可达到94%，特异性79%，血管评分与专家评分相关性很强（Spearman相关系数0.93，P<0.0001）。Wang[13]等人使用深度神经网络开发的DeepROP是一种自动ROP监测系统，通过两个特定的DNN模型Id-Net和Gr-Net对ROP进行识别和分级。在测试中，Id-Net识别ROP的敏感性为96.62%，特异性为99.32%，Gr-Net的分级敏感性为88.46%，特异性为92.31%，在临床环境中，DeepROP的相应测量值仍较准确，但有部分下降（Id-Net敏感性84.91%，特异性96.9%；Gr-Net分级敏感性为93.33%，特异性73.63%），说明AI技术在筛查诊断ROP应用前景良好，但在分级方面需要进一步研究。

三、小儿白内障

小儿白内障是导致儿童可治疗性失明的主要原因，占儿童失明的7.4%-15.4%[14]。小儿白内障病情不稳定，患儿眼球发育伴随着屈光状态的变化，医生需要根据患儿的生长发育情况调整治疗方案。临床常用裂隙灯进行检查，但部分儿童瞳孔较小，可能造成模糊、部分遮挡而减低图像质量。Long[15]等人运用DL技术建立了CC-Cruiser系统，将裂隙灯图像自动裁剪至晶状体区域，使用三个独立CNN预测白内障的存在、分级和治疗建议。有研究[16]从中国不同地区的五个诊所收集了350名未明确诊断白内障且无既往眼科手术史的14岁及以下儿童，700只眼被随机分为两组，分别由CC-Cruiser系统和专家进行诊断。结果显示，CC-Cruiser系统诊断白内障准确率为87.4%，治疗建议的准确率为70.8%，评估速度平均2.79分钟，专家组诊断准确率99.1%，治疗建议准确率96.7%。评估速度平均8.53分钟。虽然AI组诊断准确率低于人工组，但评估速度较快，患者满意度高。

四、屈光不正

屈光不正是全球最常见的可治疗视功能障碍之一[17]，在我国儿童眼病中占比最大，均为视力检查后发现存在屈光不正而就医，缺乏预测手段。Lin[18]等人收集了2005~2015年8个眼科中心的屈光数据，以检查年龄、等效球镜度数和年进展率为预测因素，使用随机森林算法拟合模型，开发算法用于预测中国学龄儿童在未来某特定时间点发生高度近视的情况。结果显示，该算法可预测儿童未来3年（操作曲线下面积AUC范围0.903到0.986）、5年（AUC范围0.875到0.901）、8年（AUC范围0.852到0.888）内高度近视的发生和18岁时高度近视是否发展（AUC范围0.801到0.837）。

五、弱视致病因素

Van等[19]收集610名诊所患儿的数据，使用结合了瞳孔红光反射成像和偏心光折射的自动视频视觉发展评估系统，捕捉瞳孔中心图像，使用人工神经网络、决策树系统等分析6个月-6岁儿童是否存在弱视致病因素，结果显示准确率达77%，转诊建议准确率90%（以专家评估结果为金标准）。

六、其他
AI技术还可辅助研究儿童视觉发展[20]，基于决策树的集成分类描绘儿童视网膜图像上的血管[21]，合成高分辨率眼底图像等[22]，具有良好的发展和应用前景。

AI在小儿眼科的其他应用

AI可利用眼部信息筛查和诊断神经系统疾病。以阅读障碍为例，约5~10%的儿童有阅读障碍，但因涉及认知和反馈环路，临床缺乏客观手段识别阅读障碍患者。Mattias等[23]从185名小学二年级学生的眼动数据中挑选出97名具有早期阅读障碍高风险的样本作为实验组，88名儿童的数据作为低风险对照组，使用基于护目镜的红外角膜反射系统获取眼动数据，动态色散阈值等算法建模分析，结果显示，通过眼动数据可识别阅读障碍患者，其最佳分类准确率为95.6%±4.5%，灵敏度95.5%，特异性95.7%。

AI技术可预测患者就诊率，提高医生工作效率。在诊疗过程中，部分患者可能出现错过预约的行为，耽误就诊时间，导致临床工作效率中断。Chen[24]等人通过ML技术，使用二级电子健康记录数据建立模型，预测患者在小儿眼科的未就诊率，结果较准确（AUC下面积为0.90）。

AI可以提供与患者护理相关的新信息，同时节约检查时间，让医生花更多时间对患者病情进行解释和答疑，建立融洽的医患关系[25]。AI系统还可以综合大量数据，由用户生成模拟场景，用于训练和测试医生的外科操作，并生成模型提供反馈，Marino等[26]研究证明这种方法可以训练显微外科技能，提高医生的手术能力。

新研究表明：基于虚拟现实和AI的斜视筛查新技术，在临床具有良好的应用前景

付晶教授团队前期建立基于虚拟现实和AI的斜视筛查技术提出假说：新筛查技术具有较高的诊断效率，能用于眼科门诊的斜视筛查。为验证假说拟：连续收集斜视与小儿眼科门诊初诊儿童117例，进行眼科常规、斜视专科及新技术检查，以经验丰富的斜视与小儿眼科专家诊断结果为金标准，评估新筛查技术诊断斜视的有效性，以期为临床提供一种经过简单培训可完成精准儿童斜视筛查的新技术，解决医患供需失衡的临床难点、提高斜视儿童医疗可及性。目前研究前期已收集214例患者数据，其中154例诊断正确，40例诊断错误，20例因眼睛乱动、睫毛遮挡等原因无法诊断。结果显示，AI诊断正确率为72%，假阳性占比5.1%，假阴性占比10.7%，说明结合了虚拟现实和AI的斜视筛查新技术在临床具有良好的应用前景。

AI在小儿眼科应用中的机遇与挑战

AI技术在儿童眼病的筛查方面仍存在很多不足。在目前阶段的科研试验中，AI根据图像进行筛查仍会出现假阳性和假阴性的结果，若真正投入临床工作，假阳性病例会造成过度转诊，浪费医疗和公共卫生资源，假阴性病例会造成漏诊或延误就诊，导致患者视力损失。若为此产生医疗纠纷，对于医疗责任方的界定目前也没有统一标准。除此之外，目前研究多讨论AI技术特异性和敏感性的大小，但对于假阴/阳性病例的产生原因并无详细分析，对于在转诊阈值附近图像识别的准确性也尚无统一结论。

综上所述，AI可以优化小儿眼科诊疗模式，促进医学教育的发展，可以高效、准确筛查小儿眼病，预测疾病发展，提高患儿就诊的可及性，降低小儿眼科医生与患儿之间的供需不平衡。但AI技术目前仍存在漏诊、误诊，可能造成医疗资源的浪费，未来需要对此进行更细致的研究，探讨如何与临床实际工作整合，力求做到安全、高效、便捷和高经济收益。

参考文献：（上下滑动查看更多）

[1]Reid JE, Eaton E. Artificial intelligence for pediatric ophthalmology [J]. Curr Opin Ophthalmol, 2019, 30(5): 337-46.

[2]Valikodath NG, Cole E, Ting DSW, et al. Impact of Artificial Intelligence on Medical Education in Ophthalmology [J]. Transl Vis Sci Technol, 2021, 10(7): 14.

[3]Li JO, Liu H, Ting DSJ, et al. Digital technology, tele-medicine and artificial intelligence in ophthalmology: A global perspective [J]. Prog Retin Eye Res, 2021, 82: 100900.

[4]Oke I, VanderVeen D. Machine Learning Applications in Pediatric Ophthalmology [J]. Semin Ophthalmol, 2021, 36(4): 210-7.

[5]Jeon S, Liu Y, Li J-PO, et al. AI papers in ophthalmology made simple [Z]. Nature Publishing Group. 2020: 1947-9

[6]Sharma P, Gaur N, Phuljhele S, et al. What's new for us in strabismus? [J]. Indian J Ophthalmol, 2017, 65(3): 184-90.

[7]Ng WY, Zhang S, Wang Z, et al. Updates in deep learning research in ophthalmology [J]. Clin Sci (Lond), 2021, 135(20): 2357-76.

[8]Gramatikov BI. Detecting central fixation by means of artificial neural networks in a pediatric vision screener using retinal birefringence scanning [J]. Biomed Eng Online, 2017, 16(1): 52.

[9]Lu J, Fan Z, Zheng C, et al. Automated strabismus detection for telemedicine applications [J]. arXiv preprint arXiv:180902940, 2018.

[10]Yehezkel O, Belkin M, Wygnanski-Jaffe T. Automated Diagnosis and Measurement of Strabismus in Children [J]. Am J Ophthalmol, 2020, 213: 226-34.

[11]Quinn GE. Retinopathy of prematurity blindness worldwide: phenotypes in the third epidemic [J]. Eye Brain, 2016, 8: 31-6.

[12]Redd TK, Campbell JP, Brown JM, et al. Evaluation of a deep learning image assessment system for detecting severe retinopathy of prematurity [J]. Br J Ophthalmol, 2018.

[13]Wang J, Ju R, Chen Y, et al. Automated retinopathy of prematurity screening using deep neural networks [J]. EBioMedicine, 2018, 35: 361-8.

[14]Khokhar SK, Pillay G, Dhull C, et al. Pediatric cataract [J]. Indian J Ophthalmol, 2017, 65(12): 1340-9.

[15]Long E, Lin H, Liu Z, et al. An artificial intelligence platform for the multihospital collaborative management of congenital cataracts [J]. Nature Biomedical Engineering, 2017, 1(2).

[16]Lin H, Li R, Liu Z, et al. Diagnostic Efficacy and Therapeutic Decision-making Capacity of an Artificial Intelligence Platform for Childhood Cataracts in Eye Clinics: A Multicentre Randomized Controlled Trial [J]. EClinicalMedicine, 2019, 9: 52-9.

[17]Schiefer U, Kraus C, Baumbach P, et al. Refractive errors [J]. Dtsch Arztebl Int, 2016, 113(41): 693-702.

[18]Lin H, Long E, Ding X, et al. Prediction of myopia development among Chinese school-aged children using refraction data from electronic medical records: A retrospective, multicentre machine learning study [J]. PLoS Med, 2018, 15(11): e1002674.

[19]Van Eenwyk J, Agah A, Giangiacomo J, et al. Artificial intelligence techniques for automatic screening of amblyogenic factors [J]. Trans Am Ophthalmol Soc, 2008, 106: 64-73; discussion -4.

[20]Vogelsang L, Gilad-Gutnick S, Ehrenberg E, et al. Potential downside of high initial visual acuity [J]. Proc Natl Acad Sci U S A, 2018, 115(44): 11333-8.

[21]Fraz MM, Rudnicka AR, Owen CG, et al. Delineation of blood vessels in pediatric retinal images using decision trees-based ensemble classification [J]. Int J Comput Assist Radiol Surg, 2014, 9(5): 795-811.

[22]Beers A, Brown J, Chang K, et al. High-resolution medical image synthesis using progressively grown generative adversarial networks [J]. arXiv preprint arXiv:180503144, 2018.

[23]Nilsson Benfatto M, Oqvist Seimyr G, Ygge J, et al. Screening for Dyslexia Using Eye Tracking during Reading [J]. PLoS One, 2016, 11(12): e0165508.

[24]Chen J, Goldstein IH, Lin WC, et al. Application of Machine Learning to Predict Patient No-Shows in an Academic Pediatric Ophthalmology Clinic [J]. AMIA Annu Symp Proc, 2020, 2020: 293-302.

[25]Wartman SA, Combs CD. Medical Education Must Move From the Information Age to the Age of Artificial Intelligence [J]. Acad Med, 2018, 93(8): 1107-9.

[26]Menozzi M, Ropelat S, Kofler J, et al. Development of Ophthalmic Microsurgery Training in Augmented Reality [J]. Klin Monbl Augenheilkd, 2020, 237(4): 388-91.

付晶 教授

主任医师，教授

博士研究生导师

眼科学博士，公共卫生事业管理学硕士，美国约翰霍普金斯大学博士后，美国哈佛大学访问学者。现担任北京同仁医院斜视与小儿眼科主任。中华医学会眼科分会青年委员/神经眼科学组委员；中国医师协会眼科医师分会儿童眼健康专业委员会副主任委员；中国医疗保健国际交流促进会视觉健康分会委员；中华预防医学会儿童保健分会视觉保健学组委员；中国医药教育协会眼科专业委员会常务委员；北京医师协会眼科专科医师分会眼视光专业委员会副主任委员；北京医师协会眼科专科医师分会小儿眼科分会副主任委员；北京眼视光学会副理事长等。《中国斜视与小儿眼科杂志》副主编，《眼科》编委，《中华眼科医学杂志》编委，《中华眼视光学与视觉科学杂志通讯》编委。

毕业于北京大学医学部，从事眼科临床工作20余年,擅长斜弱视、屈光不正等儿童眼病及视光方面功能性眼病、神经眼科传出疾病的诊治。为北京市卫生系统高层次技术人才的学科骨干。北京市医管局知名专家团队-斜弱视、视光及儿童眼病团队的领衔专家。近年来以第一作者或通讯作者发表医学论著等90余篇，其中24篇为SCI收录。主持国家级、省部级等十余项科研项目。曾在美国哈佛大学波士顿儿童医院/麻省眼耳医院作为访问学者，在约翰霍普金斯大学Wilmer眼科中心作为博士后进行工作学习。

声明：本文仅供医疗卫生专业人士了解最新医药资讯参考使用，不代表本平台观点。该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议，如果该信息被用于资讯以外的目的，本站及作者不承担相关责任。