視網膜成像測試為訓練和測試決策支持系統提供了材料。
眼科學是醫學人工智能（artificial intelligence，AI）領域的創新者，對影像學的依賴性很強。
盡管患者和醫療保健專業人員的機會很大，但全面整合AI的困難仍然存在，包括經濟、道德和數據隱私問題。
深度學習
據英國倫敦Moorfields眼科醫院視網膜專家、眼科閱讀中心和人工智能分析中心主任Konstantinos Balaskas博士介紹，人工智能是一個廣義的術語。
他說：“近年來，人工智能引起了很多人的興趣，這種人工智能被稱為‘深度學習’。這是軟件程序通過處理大量數據來學習執行某些任務的過程。”
深度學習使眼科成為在醫學中實施人工智能領域的先驅，因為我們可以越來越多地依賴成像測試來監測患者的病情。
Balaskas指出：“特別是在我感興趣的醫學視網膜亞專業，像光學相干斷層掃描（OCT）這樣的成像測試非常頻繁，為訓練、測試和應用人工智能決策支持系統提供了素材。”
在視網膜方面，西方世界中一些最常見的視力喪失原因——年齡相關性黃斑變性（AMD）和糖尿病性視網膜病變（DR）——需要早期發現、及早治療和定期監測以保護視力。
Balaskas說，這是人工智能決策支持系統可以幫助改善獲得治療的機會，并確保患者獲得最好的臨床效果。
Balaskas 引用了他所在的 Moorfields 眼科醫院和 Google DeepMind 合作開發的AI決策支持系統。
他說：“它能夠讀取OCT掃描，解釋其結果，提供診斷并提出管理建議。”“人工智能顯示出具有前景的另一個領域是，通過能夠預測對治療的反應和在一段時間內的視覺結果，為患者制定個性化的治療計劃。”
支持工具
Balaskas表示：“當考慮到AMD 和DR等威脅視力的常見眼病時，人工智能決策支持工具一旦經過驗證并獲得監管部門的批準，醫療設備就可以幫助改善獲得治療的機會。”
“例如，他們可以幫助社區的衛生工作者早期診斷疾病，”他解釋說。在英國，OCT掃描在商業街的眼鏡店中廣泛使用，人工智能工具對于幫助他們正確解釋掃描并在早期識別疾病特別有用。”
同樣，在DR患者中，需要定期篩查和監測，人工智能工具可以顯著提高篩查程序的效率。
Balaskas指出，此類應用程序已經存在，尤其適用于DR的篩查項目，例如在資源不足的醫療機構。
“人工智能監控應用的其他指標，如AMD，正處于開發的高級階段，但尚未在現實生活中實施，”他補充道。
Balaskas指出，將人工智能整合到視網膜診斷和治療中還存在挑戰。
他指出，他個人對應用科學感興趣，尤其著眼于開發醫療設備（例如AI決策支持工具）和在臨床實踐中部署醫療設備之間的差距。
“我們需要克服的潛在障礙是，要以一種有意義的方式利用該工具，以改善患者的診療效果，不僅需要測試和驗證，”他說這些包括經濟評估：這樣一個自動化的決策支持模型將如何影響醫療系統的財務狀況，從而提供良好的性價比或實現成本節約？”
人為因素
接下來要考慮的因素是人為因素，特別是這些依賴人工智能的醫療模式如何被患者和醫務人員感知和接受。
對這些技術的信任程度如何？需要對患者和公眾進行何種程度的信息和教育才能建立對其使用的信心？此外，還需要考慮支持這些工具的培訓和技術基礎設施。
Balaskas 指出，道德和數據隱私問題以及法學方面的考慮也很重要。誰負責由人工智能算法而不是人類做出的決策？這些工具如何影響醫療保健專業人員診斷和治療疾病的方式？
“有一種現象叫做自動化偏見，醫務人員有時更傾向于聽從人工智能工具的建議——甚至可能違背他們更好的判斷，”他說。
可解釋性
Balaskas指出了可解釋性問題——在許多情況下，這些AI工具的功能不透明。
他指出：“我們不完全了解具體建議是如何達成的，無論是診斷還是管理建議，缺乏透明度會加劇前面提到的醫療、法律和道德問題。”總之，我們發現，在人工智能工具能夠以安全的方式應用到現實生活中并改善臨床診療效果之前，還需要克服幾個障礙。”
此外，Balaskas表示，未來眼科醫生的生活可能會發生變化，但他對醫療實踐中的AI抱有樂觀的看法。
“我們的領域變得越來越復雜，我們在評估患者時需要處理來自各種來源的數據：來自多種成像方式的數據、遺傳數據和各種類型的組學，例如蛋白質組學和新興的眼組學領域，其中眼科檢查的特征可以提示全身健康問題，”他說。
Balaskas 還指出，來自家庭視覺監控設備的數據將變得越來越可用。
然而，Balaskas表示，理解所有這些數據以便為每個患者制定個性化的治療計劃可能令人生畏。
“人工智能可以成為一種非常有用的輔助手段，如英國健康教育署委托的人工智能Topol評論中所述，通過處理高維復雜數據源，為患者和醫務人員提供時間禮物（高效），讓他們有機會共同討論和決定最佳治療方案是什么，”他總結道。
張明明博士摘譯自《Ophthalmology Times》
