结果：与人工分析相比，AI诊断有无DR的灵敏度为91.84%，特异度为99.06%，漏诊率为8.16%，误诊率为0.94%，对于二者诊断结果的一致性分析Kappa值为0.817(P<0.001)。与人工分析相比，AI组检测无DR的灵敏度为99.06%，特异度为91.84%； 检测轻度NPDR的灵敏度为85.36%，特异度为98.52%； 中度NPDR的灵敏度为81.53%，特异度为98.55%； 重度NPDR的灵敏度为70%，特异度为99.51%； PDR的灵敏度为86.67%，特异度为99.63%。二者对DR分期诊断一致性分析的Kappa值为0.878(P<0.01)。

结论：AI辅助筛查系统与人工分析的结果一致性好，可以满足DR筛查的需求，为基层社区DR患者提供了一种新的有效防治模式。]]> 2022/7/27 16:29:06 21true 方法：采集并筛选出193幅红外睑板腺图像构建图像数据库，由3名临床医师对图像进行人工标记； 引入UNet++网络与自动数据增广策略构建睑板腺腺体自动分割模型，采用精确率、敏感性、特异性、准确率和交并比分析该模型的可行性与有效性。

结果：以人工标注结果为金标准，基于UNet++的睑板腺腺体自动分割模型取得94.31%的准确率，敏感性、特异性分别为82.15%和96.13%，腺体分割表现具有较好的稳定性，模型处理单张图像的平均用时仅为0.11s。

结论：引入深度学习技术实现睑板腺腺体的自动分割，具有良好的准确性、稳定性和高效性，可服务于睑板腺功能障碍患者腺体形态参数的计算，辅助相关疾病的临床诊断和筛查，提高诊断效率。]]> 2022/6/28 10:46:47 20true 方法：在PSPNet模型结构的基础上构建Phase-fusion PSPNet网络结构用于翼状胬肉病灶的分割，该网络在金字塔池化模块后接入阶段上采样模块，以分阶段增大为原则逐步上采样，减少信息丢失，适合于边缘模糊的分割任务。将南京医科大学附属眼科医院提供的翼状胬肉眼表图像517张分为训练集(330张)、验证集(37张)、测试集(150张)，其中训练集和验证集图像用于训练，测试集图像仅用于测试。比较翼状胬肉病灶智能分割和专家标注的结果。

结果：构建Phase-fusion PSPNet网络结构针对测试数据集的翼状胬肉病灶分割单类平均交并比(MIOU)和平均像素精确度(MPA)分别为86.31%和91.91%； 翼状胬肉单类交并比(IOU)和像素精确度(PA)分别为77.64%和86.10%。

结论：卷积神经网络可以实现翼状胬肉病灶的精准分割，有助于为医生进行进一步疾病诊断和手术建议提供重要参考，同时实现翼状胬肉智能诊断的可视化。]]> 2022/5/30 15:27:46 19true 人工智能被描述为“第四次工业革命”，借助互联网和大数据发展的推动，眼科成为走在这一浪潮的前沿学科，展现出一片蓬勃发展的良好前景。人工智能现已应用于多种眼部疾病的辅助筛查、诊断及治疗，辅助完成角膜、屈光、白内障等相关手术； 帮助实现分级诊疗、远程医疗和改良眼科人才培养模式，并参与眼健康管理及眼科教育。人工智能为人类带来福祉的同时也带来了若干伦理问题，其中与医学伦理相关的诊治失误责任划分、患者信息隐私保护、人文关怀及其公平性、日益发展的人工智能与不完善的伦理及法律等矛盾尤为突出。人工智能必须在正确的价值导向下，遵守相应的伦理规范，才能在临床实践不断成熟和完善。本文综述了人工智能背景下眼科发展现状及面临的伦理困境，旨在为促进其在眼科领域的健康发展提供参考。]]> 2022/5/30 15:27:46 18true 方法：前瞻性对照研究。选取2019/2021年在南京医科大学附属眼科医院已完成3a住院医师规范化培训的20名年资相同的眼科住院医师为研究对象，通过理论考核后随机分为虚拟-现实手术操作训练(Dry-lab)组和实体动物手术操作训练(Wet-lab)组，每组各10名。Dry-lab组和Wet-lab组医师分别使用Eye SI虚拟手术模拟器和猪眼进行训练。训练结束后使用Eye SI虚拟手术模拟器和实体猪眼操作对两组住院医师的总体培训效果进行评分，使用虚拟手术模拟器对两组住院医师的模块培训效果进行评分，并采用问卷调查对两种培训方式进行客观评价。

结果：Dry-lab组医师两项操作考核总评分、模拟器考核评分、实体猪眼操作考核评分均显著高于Wet-lab组(88.03±1.34分 vs 80.35±2.87分，87.50±3.03分 vs 77.60±5.62分，88.57±1.89分 vs 83.10±3.22分，均P<0.01)。模拟器模块考核结果显示，Dry-lab组医师各模块考核评分及用时均显著优于Wet-lab组(P<0.01)。问卷调查结果显示，在培训新颖性、是否贴近真实手术体验、对显微手术技能提高的帮助程度、经过该培训是否有信心进行真实手术及手术培训的整体满意度方面，Dry-lab组医师对于培训方式的效果评价均优于Wet-lab组(P<0.05)。

结论：将虚拟-现实手术操作训练应用于眼科住院医师白内障手术技能培训可以显著提升住院医师的白内障显微手术操作技能，提高培训整体满意度，帮助住院医师在执业初期提升真实手术时的信心、心理素质、决策及处理能力，为建立眼科住院医师正式、规范化的白内障手术培训体系提供了新的标准和模式。]]> 2022/4/24 18:49:20 17true 青光眼是世界首位不可逆致盲眼病，由于其隐匿性与渐进性，临床上早期诊断及监测青光眼进展是一项十分重要的工作。人工智能(AI)在医学领域发展迅速，AI及其子集机器学习(ML)、深度学习(DL)在青光眼中的研究与应用日臻成熟，促进了人们对青光眼的理解，极大地提高了青光眼筛查与诊断的准确性与效率，大大降低了检查成本。利用AI技术对青光眼患者进行早期筛查与诊断能降低患者视功能损伤的风险，其次可以对青光眼进展进行预测，设计个性化治疗方案，从而达到改善患者预后的目的。本文总结了AI在青光眼筛查、诊断、预后中的最新进展，以及在临床上的困难与挑战，并展望了AI在青光眼中的优势与未来发展趋势。]]> 2022/4/24 18:49:21 16true 方法：在2020-05/2021-04期间，从南京医科大学附属眼科医院共收集750张翼状胬肉正常、观察期和手术期眼前节图片。在原始数据集和增强数据集上分别训练7个三分类模型。测试临床470张图片，比较数据增强前后模型的泛化能力，确定可用于翼状胬肉自动分类系统的最好模型。

结果：在原始数据集上训练最好模型的灵敏度平均值为92.55%，特异度平均值为96.86%，AUC平均值为94.70%。数据增强后，不同模型灵敏度、特异度和AUC平均提升3.7%、1.9%和2.7%。在增强数据集上训练的EfficientNetB7模型灵敏度平均值为93.63%，特异度平均值为97.34%，AUC平均值为95.47%。

结论：在增强数据集上训练的EfficientNetB7模型取得最好的分类效果，可用于翼状胬肉自动分类系统。该自动分类系统能较好地诊断翼状胬肉疾病，有望成为基层医疗的有效筛查工具，也为翼状胬肉的细化分级研究提供参考。]]> 2022/4/24 18:49:21 15true 伴随老龄化社会的形成，以白内障为代表的年龄相关性疾病成为全球共同关注的公共卫生问题。通过手术方式实现人工晶状体置换成为当今世界解决白内障的唯一有效手段，而准确计算人工晶状体屈光度是手术治疗白内障的关键，但仍有部分患者由于人工晶状体屈光度计算不准确导致出现术后屈光误差，不能获得满意的术后效果。由于人工智能技术具有大数据分析和机器自学习特性，可实现对复杂临床数据的深度分析和自主决策，因此借助该技术有望提升人工晶状体屈光度的计算精度、降低术后屈光误差、提高患者满意度。本文通过查阅国内外相关文献，阐述人工智能技术在人工晶状体屈光度计算中的基本原理，分析比较不同原理的人工智能计算公式的特性、优点以及存在的局限性，展望人工智能技术未来在人工晶状体屈光度计算中的应用前景。]]> 2022/4/24 18:49:21 14true 近年来，人工智能(AI)的蓬勃发展促进了其在医疗保健领域的推广与应用，同时也促进了医疗保健技术的革新与进步，尤其是在图像识别领域发挥出了无可替代的作用。眼科疾病的诊断十分依赖图像识别，AI在眼前段疾病的诊治方面取得了令人瞩目的成果，如感染性角膜炎的分类、圆锥角膜的筛查、晶状体混浊程度的分级、白内障手术视频的自动分期、白内障术后屈光状态的预测、闭角型青光眼的诊断等。AI有望帮助解决目前临床存在的诸多难题，实现对疾病的早期诊治，但也存在着黑箱过程难以解释、缺少公共数据集、算法过于复杂等问题。本文概述了AI在眼前段疾病中的应用现状，分析目前存在的不足以及未来的发展前景。]]> 2022/4/24 18:49:21 13true 近年来，随着计算机学科的进步与学科交叉融合的推进，人工智能(AI)在医学领域呈现出迅猛发展的态势，在眼科学也取得了许多突破性进展。既往AI在眼科学的应用研究大多集中在糖尿病视网膜病变、年龄相关性黄斑变性等眼底疾病。近年来，随着AI学习算法的改进以及大数据的开发利用，AI在眼科学的应用范围得以进一步拓展，越来越多的研究开始将AI应用于眼表疾病。本文综述了AI在圆锥角膜、翼状胬肉及角膜炎等眼表疾病中的相关研究和应用，探讨当前AI在眼科学临床应用中面临的挑战与机遇，并对其未来发展前景进行展望，旨在为眼科AI的发展提供新思路。]]> 2022/4/24 18:49:21 12true 近年来，随着计算机科学技术的不断提高，以深度学习(DL)为基础的人工智能(AI)技术得到了飞速的发展，引起了全球的广泛关注。AI在医学领域的研究和应用已经取得了很大的进展，在眼科视光学领域，AI可对近视、斜视、弱视等疾病进行辅助诊断； 在圆锥角膜的筛查和早期诊断以及近视的预防和矫正中取得了良好的结果。尽管如此，AI在眼科的应用也存在巨大的限制和挑战，包括临床和技术挑战、算法结果的可解释性、医学法律问题等。本文综述了AI在眼科视光学领域诊疗中的应用、局限性及展望。]]> 2022/4/24 18:49:21 11true 方法：回顾性分析。纳入2017-03/2020-01在广西壮族自治区人民医院眼科行活体共聚焦显微镜检查的真菌性角膜炎患者的2 157张图像构建数据集，并根据微生物培养结果对数据集进行分类，将数据集划分为训练集1 380张、验证集345张和测试集432张。采用迁移学习Inception-ResNet V2网络构建智能诊断模型，将原始数据集和应用数据增强策略后的增强数据集所训练的智能诊断系统进行对比，最后计算智能诊断系统的特异度、灵敏度、准确率和受试者工作特征曲线的曲线下面积(AUC)等指标，评估该系统的诊断效能。

结果：使用原始数据集训练的智能诊断系统的特异度为71.6%，灵敏度为72.0%，准确率为71.8%，AUC为0.785(95%CI：0.742～0.828，P<0.0001)； 使用增强数据集训练的智能诊断系统的特异度为76.6%，灵敏度为83.1%，准确率为79.9%，AUC为0.876(95%CI：0.843～0.909，P<0.0001)，使该智能诊断系统的诊断效能均较前提高。

结论：通过迁移学习的方式构建出真菌性角膜炎镰刀菌属的智能诊断系统，具有较高的准确性，实现了对真菌性角膜炎病原菌镰刀菌属的智能诊断，并进一步验证在原始数据集有限的情况下，采用数据增强策略可以提高系统的诊断性能，该方法可用于真菌性角膜炎病原学镰刀菌属鉴定的辅助诊断。]]> 2022/4/24 18:49:22 10true 方法：收集2019-11/2021-11 上海市静安区市北医院眼科门诊患者1 579眼OCT图像共1 579张，并收集眼科医生及AI的读片结果。通过Kappa值进行无ARMD和有ARMD分类结果的一致性分析。

结果：两名眼科医生之间在无ARMD和有ARMD读片结果的Kappa值为0.934； AI结果与眼科医生在无ARMD和有ARMD读片结果的Kappa值为0.738。AI对ARMD识别的灵敏度为73.08%，特异度为95.07%，曲线下区域面积(AUC)为0.841。

结论：AI在基于OCT图像的ARMD识别上与眼科医生有较高的一致性，适用于基层医院完成对ARMD的早期筛查和早期转诊工作。]]> 2022/4/24 18:49:22 9true 方法：选取2021-01/11在温州医科大学附属眼视光医院杭州院区就诊的145名受试者右眼纳入研究。随机选择其中60名受试者的睑板腺照相用于AI训练。收集睑板腺图像后首先标注出睑板区域和每一根睑板腺腺体。使用残差神经网络(ResNet)结合U-Net模型进行数据训练，获得成熟的AI系统； 85名受试者包括阻塞性MGD患者53名和睑板腺正常的志愿者32名，使用AI系统自动分析其各项睑板腺形态参数。同时观察临床指标包括眼表疾病指数(OSDI)、泪河高度(TMH)、泪膜破裂时间(TBUT)、角膜荧光素染色(CFS)、睑缘评分、睑板腺评分和睑板腺分泌能力评分。分析睑板腺参数与临床指标的相关性。

结果：通过多次版本迭代，最终获得了交并比达92.0%的AI系统。使用该AI系统，发现上眼睑的睑板腺密度与OSDI(r_s=-0.320)、TBUT(r_s=0.484)、睑缘评分(r_s=-0.350)、睑板腺评分(r_s=-0.749)和睑板腺分泌能力评分(r_s=0.425)存在显著相关性(均P<0.05)； 下眼睑的睑板腺密度与OSDI(r_s=-0.420)、TBUT(r_s=0.598)、睑缘评分(r_s=-0.396)、睑板腺评分(r_s=-0.720)和睑板腺分泌能力评分(r_s=0.438)存在显著相关性(均P<0.05)； 总眼睑的睑板腺密度与OSDI(r_s=-0.404)、TBUT(r_s=0.601)、睑缘评分(r_s=-0.416)、睑板腺评分(r_s=-0.805)和睑板腺分泌能力评分(r_s=0.480)存在显著相关性(均P<0.05)。

结论：基于CNN的AI系统是一个准确、高效的睑板腺形态学评价系统，能够方便地采用我们建立的睑板腺密度这一指标对MGD患者的睑板腺形态进行快速准确地评价。睑板腺密度这一指标比目前通用的睑板腺评分更精确，是评价睑板腺萎缩程度的全新定量指标。]]> 2022/4/24 18:49:22 8true 干眼(dry eye， DE)是世界范围内最常见的眼科疾病之一，患病率在5%～50%。由于病因复杂且诊断的相应设备有限，干眼尚不能得到及时、精准的诊断。近年来，随着人工智能(artificial intelligence，AI)在医学领域的广泛应用，利用机器学习和深度学习辅助检查干眼也得到了深入研究，如干涉测量、裂隙灯检查和睑板腺图像的分类和评估等。研究发现人工智能能够对干眼患者的测量数据和图像进行准确分析，灵敏度和特异度均可达90%以上。人工智能将在辅助临床医生客观诊断干眼、改善干眼患者生活质量方面具有巨大潜力。在这篇综述中，我们总结了人工智能在干眼领域的应用现状以及应用中潜在的挑战，展望了人工智能辅助诊断干眼的前景。]]> 2022/11/29 14:58:55 7true 目的：探索使用注意力机制和Pix2Pix生成对抗网络预测年龄相关性白内障患者术中行飞秒激光弧形角膜切开术后角膜地形图。

方法：回顾性病例系列研究。选取2018-03/2020-03山西省眼科医院年龄相关性白内障患者术中行飞秒激光弧形角膜切开术患者87例105眼。收集患者术前及术后角膜地形图210张分为训练集(180张)、测试集(30张)用于模型训练和测试。采用峰值信噪比(PSNR)、结构相似性(SSIM)、Alpins散光矢量分析，比较不同注意力机制下术后角膜地形图预测结果的准确性。

结果：基于注意力机制和Pix2Pix网络可以预测术后角膜地形图，其中基于Self-Attention注意力机制的模型预测效果最好，PSNR和SSIM达到了16.048、0.7661。真实的和生成的角膜地形图在3mm和5mm环上的误差矢量， 误差矢量轴位，术源性散光和矫正比比较差异均无统计学意义(均P>0.05)。

结论：基于Self-Attention注意力机制和Pix2Pix网络可以对术后角膜地形图做到良好的预测，可以为眼科临床医生的手术规划和术后效果提供参考。]]> 2023/5/29 16:33:23 6true 近年来，眼科作为高度依赖辅助成像的医学领域之一，一直处于深度学习算法应用的前沿。脉络膜的形态变化与眼底疾病的发生、发展以及治疗预后密切相关。光学相干断层扫描的快速发展极大地促进了对脉络膜形态和结构的精确分析。脉络膜分割及相关分析对于确定眼病的发病机制和治疗策略至关重要，然而，目前脉络膜主要依赖于繁琐、耗时和重复性低的人工手动分割。为了克服这些困难，近年来开发了用于脉络膜分割的深度学习方法，极大地提高了脉络膜分割的准确性和效率。本文旨在回顾不同眼病中脉络膜厚度的特征，探讨深度学习模型在测量脉络膜厚度中的最新应用及其优势，同时关注深度学习模型面临的挑战。]]> 2023/5/29 16:33:23 5true 目的：探讨一种基于深度学习算法的前房角(ACA)超声生物显微镜(UBM)图像分析系统的临床应用价值。

方法：收集2021-01/2022-06于武汉大学人民医院眼科中心进行UBM检查的受试者675名1 130眼的UBM图像4 196张构建图像数据集。采用Unet++网络对ACA组织自动分割，并开发一种支持向量机(SVM)算法对房角开闭状态进行自动分类，同时开发一种自动定位巩膜突、测量ACA参数的算法。另选取黄石爱尔眼科医院的受试者127名221眼的UBM图像631张和武汉大学中南医院的受试者188名257眼的UBM图像594张评估该系统在不同环境下的性能。

结果：本研究构建的分析系统对房角开闭状态识别的准确度为95.71%； ACA角度参数测量值的组内相关系数(ICC)均大于0.960，ACA厚度参数测量值的ICC均大于等于0.884，且该系统对ACA参数的准确测量部分依赖于巩膜突的准确定位。

结论：本研究构建的智能分析系统能够准确有效地自动评估ACA图像，是一种有潜力的快速识别ACA结构的筛查工具。]]> 2023/4/27 14:33:12 4true 自从人工智能(AI)技术出现后，其在各个领域被越来越多地应用并得到了快速的发展。在医学领域中，借助AI技术可自动提取图像特征并完成特征学习和分类的性能。在眼底病领域，AI可通过分析和识别眼底的照相和光学相干断层扫描从而对年龄相关性黄斑变性做出诊断，准确率可跟眼科专家相似。在未来AI可辅助医生对年龄相关性黄斑变性做出诊断，帮助基础医院进行筛查，在疾病的早期遏制其进展。但此技术存在模型识别性能不确定、运算过程不透明、需要的临床数据量过大等问题仍不能被广泛应用于临床。近年来国内在AI深度学习技术应用于眼科疾病辅助诊断方面进行了大量的研究，结果显示AI结合影像分析眼科疾病具有客观性、高效性和准确性等特点。本文针对深度学习在年龄相关性黄斑变性的辅助诊断中的研究进行综述，分析其应用进展和存在的局限性，为AI在此病的进一步应用及推广提供更多信息。]]> 2023/4/27 14:33:12 3true 目的：通过对患者临床数据进行数据挖掘分析建立针对小直径角膜的圆锥角膜智能化诊断模型。

方法：诊断性研究。共收集患者830例830眼，其中男338例338眼，女492例492眼，年龄14～36(平均23.19±5.71)岁，其中2020-01/2022-03在重庆南坪爱尔眼科医院已行角膜屈光手术患者731例731眼，2015-01/2022-03确诊圆锥角膜患者99例99眼。所有患者行Pentacam角膜地形图显示角膜直径≤11.1mm。由2位角膜科专家通过Pentacam地形图中Belin/Ambrósio增强扩张显示(BAD)系统将患者数据分类为正常角膜、可疑圆锥角膜、圆锥角膜。采用计算机随机采样方法随机筛选其中665例患者的数据作为训练集，另165例患者的数据作验证集。利用卷积神经网络(CNN)提取7个角膜参数特征，分别采用残差网络(ResNet， Residual Network)、Vision Transformer(ViT)及CNN+Transformer建立模型，通过交叉熵损失函数进行训练并采用样本交叉法验证模型的准确性，并采用受试者工作特征曲线评价模型的敏感度与特异度。

结果：ResNet、ViT和CNN+Transfermer模型诊断正常角膜和可疑圆锥角膜的准确率分别为85.57%、86.11%和86.54%，受试者工作特征曲线下面积(AUC)为0.823、0.830和0.842。诊断可疑圆锥角膜和圆锥角膜的准确率分别为97.22%、95.83%和98.61%，AUC分别为0.951、0.939和0.988。

结论：对于直径≤11.1mm的角膜，借助CNN+Transformer算法建立的数据模型对圆锥角膜有较高的准确率，可为早期筛查提供真实有效的指导作用。]]> 2023/2/2 16:41:49 2true 2023/10/24 9:37:23 1true