人工智能在近视防治中的应用专家共识（2024）.pptxVIP

人工智能在近视防治中的应用

专家共识(2024)汇报人

CONTENTS01.AI在近视临床数据管理中的应用02.AI在近视防治中的应用03.基于AI近视防治面临的挑战和解决策略04.AI在近视防治中应用的未来发展方向05.结论目录

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。

01AI在近视临床数据管理中的应用

一、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(OCT)、荧光素眼底血管造影等检查。

一、近视的临床数据管理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。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(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(下图)。

近视的AI辅助临床诊疗流程注：AI:人工智能;CNV:脉络膜新生血管

二、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。

二、近视常用的AI技术和评估指标在评估模型的性能时，近视的AI研究通常使用以下指标: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。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。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(MAE)、均方误差和均方根误差进行评估。

二、近视常用的AI技术和评估指标近视的治疗包括早期筛查、风险分层、进展预测、及时和个体化干预以及持续管理。在此过程中产生的相关数据模式可分为两类，即临床数据和成像数据。ML与统计数据紧密交织在一起，在处理数字或分类数据方面非常强大，适用于分析大规模医疗数据。近视中常用的ML技术包括支持向量机(SVM)、线性回归、随机森林、朴素贝叶斯、K-近邻和极端梯度提升。

二、近视常用的AI技术和评估指标作为ML的一个子集，深度学习(DL)在许多基于图像的应用中表现良好，例如对象识别和语义分割。卷积神经网络(CNN)是近视图像驱动应用的基础，递归神经网络的使用仍处于早期阶段。一些基本的DL网络结构，包括ResNet、unet、DenseNet、VGGNet、InceptionV3和EfficientNet，广泛用于解决近视领域的问题。此外，由于数据隐私问题，大多数近视研究只能基于来自同一区域的单个中心或多个中心的数据来训练模型，因此通常使用预先训练的模型或迁移学习方法在相对小的数据集上