存在的问题及展望
（一）糖尿病视网膜病变诊断/分级和病灶检测/分割之间的权衡
在给出供医生参考的诊断和治疗意见时，人工智能算法往往被期望对病灶部位进行自动识别，并提供明确的诊断提示。尽管根据先验知识，检测相关病灶有助于诊断/分级糖尿病视网膜病变，但病灶检测实际上是一项复杂和困难的任务，并且在病灶检测和糖尿病视网膜病变分级之间存在权衡。这主要是因为糖尿病视网膜病变诊断/分级属于图片级别的分类任务，分类任务需要的是抽象的高级语义特征，而病灶检测/分割属于像素级别的检测任务，需要的是精细的低层次局部空间信息。对于这样的多任务问题来说，达成抽象与具体、全局与局部之间的平衡是十分重要的。2019年，Ahmad等在公开数据集Messidor-2上进行了一项基准评估工作：他们比较了8种最前沿的深度学习分类模型，同时生成了对不同类别病灶的注意力激活热力图（CAMs）。结果表明，在糖尿病视网膜病变的诊断/分级和病灶检测/分割之间存在一个权衡。随着网络深度和参数数量的增加，模型可以取得更好的诊断/分级结果，但在病灶检测/分割方面的性能下降。
（二）标准化、足够大样本的训练数据集
许多研究者使用通用的公开数据集进行算法模型的训练和评估，以便在性能上与其他先进算法进行比较。国际上广泛使用的糖尿病视网膜病变的公开数据集见表5-2。然而，目前各机构大多使用自己采集的临床数据集进行糖尿病视网膜病变的相关研究和人工智能产品研发。这些未公开的眼底彩照数据集之间存在明显的异质性，眼底彩照的采集环境各不相同，训练数据的标注标准也不够统一，这就导致了不同机构的产品之间无法相互比较性能，难以评价出孰优孰劣。此外，由于糖尿病视网膜病变的分级标准复杂、分级种类较多，为了使算法模型具有更强的鲁棒性和泛化能力，训练数据集必须有足够大的样本量和多样性。因此在国内建立统一的、标准化的、多中心数据共享的糖尿病视网膜病变公开数据集是非常有必要的。想要达到国外数个眼科数据库10万例以上的样本量规模，国内的产学研三方面亟待合作数据共享，在保护患者隐私和知识产权的前提下合作获取数据、标注数据、使用数据。
表5-2 国际上广泛使用的糖尿病视网膜病变诊断/分级和病灶检测/分割的公开数据集
续表
（三）研究成果在临床应用场景中的验证
2018年4月11日，在经历了长达21年的研发和审批流程后，美国FDA批准了第一台适用于基层医疗机构的、基于卷积神经网络和深度学习的自主式糖尿病视网膜病变人工智能产品iDx DR。这是人工智能产品走向眼科应用的一个里程碑。目前国内也有许多产学研结合的糖尿病视网膜病变人工智能产品，如致远慧图推出的EyeWisdom、上工医信推出的“慧眼糖网”、Airdoc推出的一系列筛查产品等。2020年，上海市静安区市北医院通过社区医院筛查糖尿病视网膜病变的889例试验，从临床角度验证了Airdoc人工智能筛查糖尿病视网膜病变已达到高精准水平，该研究论文被Nature系列期刊EYE收录。此类人工智能产品的工作流程主要为：①评估临床采集的眼底彩照质量，挑选出过度模糊、过曝光或欠曝光、镜头污损等不符合自动分析标准的图像，交由阅片专家人工处理。②采用卷积神经网络或其他特征提取算子对输入的眼底彩照进行特征提取，判断其是否存在微动脉瘤、出血和渗出等临床有意义的病理特征。③通过上述病理特征的分布情况对糖尿病视网膜病变分级，做出相应的临床诊断，给出患者是否需要转诊到眼科专科诊所的建议。这些人工智能筛查系统不仅能够实现对糖尿病视网膜病变的高效筛查，减轻医生负担，还可以有效拉近患者与人工智能之间的距离，让患者实现方便的自检，对糖尿病视网膜病变做到早发现、早治疗。
（四）糖尿病视网膜病变人工智能系统的基层推广
我国眼科医疗资源的分布十分不均衡，多数医疗资源集中于一二线城市，基层地区（涵盖县、乡、村及城市社区、街道）的医疗资源提供者多为县医院、乡镇卫生院和社区卫生服务中心。基层地区不仅没有足够的专业眼科医生和筛查设备，而且基层地区人群的健康意识不足，患者在发现糖尿病视网膜病变时往往已经有了严重的不可逆的视力损害。同时，糖尿病视网膜病变是社区中十分常见的重大公共卫生问题，若患者被筛查出需要转诊，临床上对这类糖尿病视网膜病变具有早期治疗的有效方法，且及时治疗可以延缓甚至治愈疾病。基于以上几点，在基层推广糖尿病视网膜病变人工智能系统具有非常重要的现实意义。此外，应用于实际筛查的糖尿病视网膜病变人工智能系统应该具有操作门槛低、准确率高、速度快等特点，才能帮助基层医生高效快捷地分析疾病。