编者按：人工智能（AI）和大数据处理已成为推动医学发展的关键力量，为疾病的早期诊断、病程检测和流程管理都带来了新的切入点。ARVO2024上展示了AI在青光眼领域的全方位应用研究，如应用AI为青光眼患者提供医学上准确的指导，AI大型语言模型（LLM）用于青光眼的诊断和治疗，以及通过深度学习技术监测青光眼的进展。
AI模型是否能为青光眼患者提供医学上准确的指导？
300万美国人患有青光眼，但仅有一半能意识到自己的疾病。在线工具如WebMD可以帮助人们在发现症状或异常后寻求治疗。ChatGPT（微软/OpenAI）是一个生成大量网络流量的人工智能大型语言模型（LLM）。一些患者可能会使用ChatGPT作为在线资源来检查他们的症状或了解更多相关的疾病信息。本研究尝试语义评估LLM输出，并将其与美国眼科学会（AAO）的青光眼患者资源进行比较，以确定AI模型是否足够准确，并可以作为教育工具使用。
从AAO关于青光眼的页面创建标题，形成问题。使用OpenAi的gpt-3.5-Turbo和gpt-4.0 API查询共15个问题，包括：
1青光眼的主要病因是什么
2什么是开角型青光眼（OAG)
3什么是闭角型青光眼（ACG)
4OAG的症状是什么
5ACG的症状是什么
6可疑青光眼患者有症状吗
7色素播散综合征有哪些症状
8谁有患青光眼的风险
9青光眼如何诊断
10青光眼能治好吗
11青光眼有哪些药物
12什么是小梁成形术
13什么是虹膜切除术
14青光眼引流装置是什么
15患者在青光眼治疗中的角色是什么
结果显示，LLM与AAO答案之间的软余弦距离在0.58和0.95之间。GPT3.5和4.0总体上没有显著差异，然而GPT4.0在每个与症状相关的问题上都优于GPT3.5。AAO网站的Dale-Chall得分为8.85，对应于11-12年级，而ChatGPT 3.5和4.0的得分分别为10.37和10.59（大学毕业生）。
研究结论：LLM可以产生与健康专业人士开发现有资源相当相似的反馈，反映在高软余弦分数上（0=完全相反，1=相同文本）。因此，LLM为眼科医师教育他们的患者提供了一个激动人心的机会，可通过在他们各自主要领域上训练定制化的GPT LLM。然而，模型较高的阅读要求可能对于英语不熟练的患者存在问题。
作者：Milan Del Buono，Gloria Wu，David A. Lee，Adrial Wong，Weichen Zhao
在疾病发作前识别高风险青光眼患者的可行性
该研究探索了在视野（VF）检查中正常平均偏差（MD）情况下，识别高风险青光眼患者的潜力，这是一个具有挑战性的预后场景。研究回顾性分析了马萨诸塞州眼耳鼻喉医院青光眼服务的SITA标准24-2视野数据。为纳入研究，患者需要进行至少三次可靠测试，并在前两次访问中具有正常的GHT和MD值（-2.1至+2.1dB）。随后GHT值超出正常范围或变为边缘的患者被归类为高风险或转换者。本研究重点仅使用前两次访视的信息，使用两种应用普遍的表格数据方法：XGBoost和TabNet（深度学习技术）识别转换者。数据集分为75/25用于训练和测试，其中20%作为验证集。在训练集（使用内置方法）和测试集（使用排列重要性）上进行了特征重要性分析，以确定最有影响力的特征。
结果表明，共5,467名患者的6,686只眼符合研究标准，其中1,874只眼睛被识别为转换者。使用所有特征，转换者识别性能（F1值TabNet 65% vs. XGBoost 64%，Fisher检验p <0.05），表明尽管存在一些固有挑战，但仍有识别潜力。然而，两种方法之间的特征重要性排名存在显著差异。这突出了任务的复杂性，并需要进一步研究以确定转换预测中的关键因素。
研究结论：早期识别高风险青光眼患者具有应用价值，但需要进一步研究以提高准确性（例如，通过整合遗传学、视网膜图像和IOP测量）和研究的不确定性，并解决特征重要性变化的问题。
作者：Mohammad Eslami，Saber Kazeminasab Hashemabad，Hannah Rana，Milen Raytchev，Yan Luo，Min Shi，Yu Tian，Michael G. Morley，Nazlee Zebardast，Michael V. Boland，David S. Friedman，Mengyu Wang，Tobias Elze
基于深度学习的新趋势分析监测青光眼进展
为评估青光眼患者病情进展真实情况（GT）与基于深度学习（DL）的青光眼风险预测在单张照片上获得的线性回归之间的一致性。Ruben Hemelings等人从澳大利亚基于人群的蓝山眼研究（BMES）和芬兰Tays眼科中心（TEC）的临床记录中回顾性收集相关数据。纳入标准为至少进行过三次访视，且收集的眼底照片质量较好，收集时间在2到10年之间。图像质量由辅助DL模型客观评分。
对于BMES，人类进展GT反映了基线（第0年）和后续访问（第5年或第10年）之间从非青光眼到青光眼的转变。对于TEC，人类进展GT适用于2019年和/或2020年就诊的患者。专家评估了从视网膜图像或视野检查中青光眼引起的视神经头（ONH）、视网膜神经纤维层（RNFL）和视野（VF）的变化。眼底照片作为输入，用于一个之前训练用于估计垂直杯盘比值的ResNet-50模型，称为G-RISK。对特定眼睛的G-RISK预测进行了普通最小二乘（OLS）回归，以访问年份为解释变量。使用AUC将OLS输出得到的斜率（G-RISK斜率）与实际患者的GT进行比较。使用最大GRISK基线值进行了敏感性分析。
符合条件的数据集合分包括BMES和TEC各964眼和1570眼。BMES中随访中位时间固定为5年，TEC中则不规律（1.75年）。在BMES中，G-RISK斜率与人类GT的一致性在0.54到0.88（AUC）之间变化，具体取决于基线G-RISK的上限。TEC数据中观察到类似的情况，AUC范围在0.54到0.76之间。最高的AUC值记录在ONH GT中，其次是VF和RNFL。
研究结论：G-RISK斜率在两个不同的数据集和两个独立的患者真实情况中获得了对青光眼转变的良好一致性。基于深度学习预测的趋势分析可能在监测非青光眼人群以检测青光眼转变方面很应用价值。
作者：Ruben Hemelings，Damon Wong，João Barbosa-Breda，Jan Van Eijgen，Andrew Jr White，Hannele Uusitalo-Jarvinen，Paul Mitchell，Anja Tuulonen，Ingeborg Stalmans，Leopold Schmetterer
基于大型语言模型Chatbot的青光眼诊断
该研究旨在评估基于大语言模型（LLM）的聊天机器人使用眼压增高治疗研究（OHTS）数据集诊断青光眼的能力。研究包括了来自OHTS的1585名受试者的3170只眼，记录人口统计学、临床、眼科、视野、视神经头照片和疾病史资料。通过使用ChatGPT的应用程序接口（API）将表格数据转换为文本格式，自动化病例报告生成过程。随机选择患者的子集，并测试不同的最终问题，以设计出最高准确性的提示。之后测试不同参数组合，以评估诊断性能，并选择最佳性能的子集进行下游分析。随后，我们开发了一种使用ChatGPT的API程序，自动将提示输入聊天框，然后询问ChatGPT（3.5和4.0）关于每个受试者基于发病和最后就诊的潜在诊断。
结果显示，ChatGPT3.5达到了0.74的AUC值，准确率为66%，特异性为64%，敏感性为85%，F1值为0.72。ChatGPT4.0基于末次就诊的AUC为0.76，准确率为87%，特异性为90%，敏感性为61%，F1值为0.92。
研究结论：ChatGPT4.0在基于OHTS诊断青光眼方面的准确性是有希望的。ChatGPT4.0的总体准确性高于ChatGPT3.5，但ChatGPT3.5的敏感性比ChatGPT4.0更高。目前，ChatGPT用于探究具有临床意义的眼压增高眼的疾病状态有一定应用价值。未来，利用具有多模态能力的LLM整合人口统计学、临床和成像数据，可能进一步提高诊断能力。
作者：Hina Raja，Xiaoqin Huang，Mohammad Delsoz，Yeganeh Madadi，Asma Poursoroush，Asim Munawar，Malik Kahook，Siamak Yousefi
总结：AI在青光眼领域的应用也由聚焦早期诊断与筛查向更多方面延伸，AI应用正带来革命性的变化。ARVO会议上发布的这些研究不仅展示了AI在眼科疾病管理中的潜力，也体现了个性化医疗和精准医疗的未来方向。
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。
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.