人工智能在近视防治中的应用专家共识.pptx

人工智能在近视

防治中的应用专家共识2024演讲人:***202*-10-22

【摘要】01制定背景02AI在近视临床数据管理中的应用03目录

01【摘要】

【摘要】未经矫正的近视会影响人类的视力和视觉功能，是一个全球性的公共卫生问题。不断增加的近视人口正在给卫生保健系统带来越来越大的负担。此外，高度近视或病理性近视会增加视网膜病变等并发症的风险，从而导致不可逆转的视觉障碍。因此，近视的及时发现与干预、并发症的及早发现与治疗至关重要。基于医疗大数据的人工智能(AI)模型具有辅助指导近视个体化诊断和治疗的潜力，AI作为近视高发病率和患病率的一种潜在可行的解决方案，在早期识别、风险分层、进展预测和及时干预等方面具有重要价值。本专家共识由中国医药教育协会眼科影像与智能医疗分会和国际转化医学协会眼科专业委员会组织专家制定，总结目前AI在近视防治中的应用现状，分析目前面临的重要挑战，提出AI在近视防治领域的未来方向，旨在为AI在近视防治和精准医疗中的应用提供参考。

02制定背景

制定背景目前，全世界有超过20亿人患有近视(定义为屈光度≥－0.50D)，其中15%为高度近视(定义为屈光度≥－6.0D)。在亚洲，近视患病率高达80%以上，到2050年，预计全世界将有近50亿人患有近视，占全球预计人口的近一半，这将给医疗保健服务带来巨大负担。一项调查表明，仅2015年，全球因未矫正的近视和近视性黄斑变性导致的视力障碍和盲造成的潜在全球经济生产力损失高达2440亿美元。病理性近视是近视相关不可逆视力损害的主要原因，脉络膜新生血管(choroidalneovascularization，CNV)、黄斑萎缩、黄斑裂孔、视网膜变性和孔源性视网膜脱离等是其常见并发症。近视已成为全球性的公共卫生问题，因此，应对近视大流行的策略至关重要，如早期识别、定期随访和及时干预高危近视人群。在中国，近视防控已成为国家战略，但要实现这一目标仍面临许多挑战。

制定背景近年来，人工智能(artificialintelligence，AI)显示出医疗信息和图像自动化分析的巨大潜力。在眼科领域，由于各种成像技术在眼部疾病中的广泛应用，许多研究将AI方法应用于不同的眼科疾病，包括干眼、白内障、青光眼和眼底疾病等。

03AI在近视临床数据管理中的应用

1近视的临床数据管理近视传统上被认为是生活方式、遗传和环境因素共同作用的结果。在临床上接诊患者时，临床医师的诊疗过程通常遵循危险因素识别、检查过程、治疗策略选择和持续管理的顺序。在上述临床实践过程中，都会产生大量的临床数据。因此，建议初诊时即对患者进行常规详细的病史采集，并确定特定个体的危险因素。采集行为和环境数据，例如用眼习惯、阅读距离、照明条件和户外活动，以及与疾病有关的个人信息采集，例如人口统计、遗传和心理状态。然后，对患者进行近视临床检查，一般检查包括视力、裂隙灯显微镜、眼底、睫状肌麻痹验光检查；特殊检查包括角膜曲率、眼轴长度、双眼视功能、眼底照相、眼压、视野、A/B型超声、光学相干断层扫描(opticalcoherencetomography，OCT)、荧光素眼底血管造影等检查。以上采集的眼科信息绝大多数是以数字为基础的数据，主要是以定量数字表示的数据类型。

1近视的临床数据管理对于需要进一步检查的患者，尤其是高度近视患者，如有指征，应进行眼底影像学检查。在完成所有检查后，对于可能导致视力低下和盲的患者，应考虑个性化地选择治疗策略。对于具有多种危险因素的患者，预测预后并进行定期随访会有所帮助。考虑到规模，特别是对于近视等复杂疾病，其中病因、流行病学、诊断和进展涉及许多相互依赖的因素，手动分析临床数据相对繁杂，而机器学习(machinelearning，ML)方法能够以非线性方式处理大量数据并提取大量潜在预测参数。AI应用程序的关键组成部分为MDT，即模型、数据和目标。丰富的数据集使AI能够根据每种类型的数据模式协助完成许多近视管理任务。

1近视的临床数据管理

2近视常用的AI技术和评估指标在缺乏通用评估标准的情况下，现有的近视研究并不是从单一的AI方法开始的，而是通常同时尝试几个AI模型，并在参数调整和模型间比较后选择表现最好的模型。在评估模型的性能时，近视的AI研究通常使用以下指标：01(2)当任务是导出预测区域时，例如眼底图片的病变分割，通常通过并集交叉和Dice相似系数进行评估，这2个指标衡量预测区域与基本事实之间的重叠区域。03(1)对于疾病检测和预后预测等分类任务，通常使用从混淆矩阵计算的指标，例如准确率、灵敏度、特异度和F1分数，接收器工作特征曲线下面积和精度召回率曲线下面积也是常用的。02

2近视常用的AI技术和评估指标(3)对于折射预测和轴向长度预测等回归任务，通常使用平均绝对误差