编者按：在眼科医学蓬勃发展的当下，病理性近视的检测与研究成为关键领域。成像技术与人工智能的深度融合，正为这一领域带来变革性力量。从深度学习模型在病变检测中的优势突破，到高质量数据集的构建挑战；从新影像学生物标志物的探索发现，到人工智能系统融入诊疗流程的模式探讨，每一步进展都凝聚着智慧与探索。在 Bright China 2025 明眸中国近视防控大会暨国际近视研讨会上，借助《国际眼科时讯》的采访契机，让我们一同走进新加坡国立大学Tham Yih Chung教授的前沿分享，领略科技赋能眼科医学的无限可能。

《国际眼科时讯》：当前深度学习模型在病理性近视检测中的核心优势是什么？相比传统方法，其在识别后巩膜葡萄肿、黄斑病变等关键特征时有何突破？

Tham Yih Chung教授

当前，基于变换器模型架构，深度学习模型在识别和检测与病理性近视相关的视网膜病变方面展现出显著优势。变换器模型是一种基于自注意力机制的深度学习架构，能够高效处理序列数据，在图像识别等领域表现出色。近年来，基于该架构的深度学习模型在病理性近视视网膜病变检测方面的研究成果不断涌现。

除了采用变换器架构的深度学习模型，如今我们已迈入人工智能基础模型阶段。在这一阶段，模型首先会在大量未标记的视网膜图像上进行预训练。预训练的作用是让模型学习到图像中的通用特征和模式，为后续的微调奠定基础。随后，模型会在较小规模的标记病理性近视数据集上进行微调。所谓微调，就是根据特定的任务（如病理性近视视网膜病变检测）对预训练模型进行调整和优化，使其能够更好地适应具体需求。与过去几年相比，在人工智能基础模型阶段，我们可能无需大量标记数据集就能实现高质量的训练。这是因为预训练过程已经让模型学习到了丰富的通用知识，只需少量标记数据对模型进行针对性调整即可。

由此可见，进入人工智能基础模型阶段具有重大优势，它不仅降低了对大规模标记数据的依赖，减少了数据标注的成本和时间，还能提高模型的泛化能力和训练效率，为病理性近视视网膜病变的检测和研究带来新的机遇。

《国际眼科时讯》：能否介绍一下模型训练所依赖的数据集？它的规模、来源和标注过程是怎样的？在构建高质量数据集时遇到的最大挑战是什么？

Tham Yih Chung教授

对于病理性近视这类病症，其病变程度存在从轻度到重度的范围，且伴有多种病变类型和不同结构，在彩色眼底照片和光学相干断层扫描（OCT）图像上的表现也各有差异。当需要对这些病变进行标记与分割时，若完全依靠人工手动操作，无疑是一项艰巨的挑战。然而，为了构建高质量的数据集，这一工作又必不可少，准确标注视网膜病变是关键环节。病变分割工作并非人人都能胜任，需由训练有素的眼科医生或验光师等人类专家来完成。但这一过程需要投入大量的精力和时间，尽管这对于训练出优秀的深度学习模型至关重要。值得庆幸的是，我们已步入人工智能基础模型的新阶段。在这一阶段，虽然高质量的标记数据集仍不可或缺，但所需数量已大幅减少。例如，过去训练用于检测和分割病理性近视的人工智能模型，可能需要数千个标记图像；而现在，先对基础模型进行预训练后，仅需几百张专家标注的图像，便足以完成模型的训练。

《国际眼科时讯》：模型是否能够发现一些尚未被眼科医生认知的、与病理性近视相关的新影像学生物标志物？

Tham Yih Chung教授

随着成像技术的不断发展，过去我们仅能获取视野局限（中央黄斑区45°范围内）的彩色眼底照片。随后，光学相干断层扫描（OCT）和光学相干断层扫描血管成像（OCTA）技术相继出现，如今更是涌现出多种先进的成像技术。如今，不少OCT设备已能够实现更广泛区域的扫描，并能获取更深层次的图像，不仅可清晰呈现视网膜结构，还能深入观察到脉络膜，为我们深入了解脉络膜灌注情况提供了独特视角。

我提及这些新型成像技术，是因为它们的进步将助力我们发现更多的成像标志物。随着以3D形式呈现且种类日益丰富的成像标志物不断涌现，我们极有可能发现新的标志物。这些新标志物将有助于我们更精准地检测病理性近视，甚至能够预测病理性近视或近视性脉络膜新生血管（这是高度近视患者中最常见的致盲病症）的进展风险。

随着成像技术与人工智能技术的持续进步，未来几年内我们大概率会发现新的标志物。然而，更为关键的问题在于，一旦发现新的标志物，如何推动其在临床中的普及与应用？毕竟，并非所有诊所都配备了先进的OCT设备或能获取高质量的眼底照片。因此，除了探索新的生物标志物之外，我们还需要进一步思考如何解决新标志物临床应用的相关问题。

《国际眼科时讯》：这类人工智能系统如何融入现有眼科诊疗流程？是否设计为辅助诊断工具或独立筛查设备？

Tham Yih Chung教授

人工智能应作为助手，还是实现完全自主运行（即无需人工干预）呢？我认为这取决于具体的应用场景。

首先，我们要明确人工智能的应用场景。它所处的环境是初级医疗机构、社区医疗机构，还是三级医疗机构？其应用目的是用于疾病筛查、患者分流，还是做出最终诊断，甚至制定最终治疗方案？

其次，这也与任务的性质密切相关。若仅用于筛查，即标记是否存在可疑的病理性近视，那么在一定程度上，我们可以更自主地运用人工智能。但与此同时，必须为人工智能设定一些限制条件，当其无法确定结果时进行标记。毕竟，人工智能难以真正准确判断是正常还是异常，但它可以表明自身的不确定性，并需要人类专家的意见来进一步确认。

因此，设定这些限制条件至关重要。从这个角度来说，至少在目前阶段，人机协作的方式仍然更为适宜。完全自主的人工智能可能并非最佳选择，因为仍存在一些安全问题。此外，这也取决于不同国家或地区的医疗环境和资源状况。若医生、医疗保健专业人员以及验光师数量匮乏，难以对高度近视人群中的致盲病症进行全面筛查，那么使用无需人工干预的自主人工智能或许不失为一种可行的方案。尽管人工智能可能会出现误判，但相较于完全没有医疗保障的情况，仍具有一定的积极意义。

综上所述，我的回答是：若条件允许，我们应先评估人机协作的效果；若人类专家数量过少，医疗保障不足，那么先使用人工智能进行初步筛查也未尝不可。

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。