二、白内障

白内障是以色觉降低或改变、视线模糊、光源产生光晕、无法适应亮光、黑暗环境下视觉障碍为特征的疾病。引发白内障的主要原因是眼睛晶状体蛋白的变性或老化，晶状体变得浑浊从而造成视力缺损。白内障会导致严重的视力损伤，是导致失明的最严重的眼病之一。

我国在白内障的人工智能诊断领域处于世界领先行列。Zhou等将深度学习用于白内障诊断（非白内障/白内障）和白内障分级（非白内障、轻度白内障、中度白内障和重度白内障）。他们首先建立了一个数据集，包含来自中国北京同仁医院的1 355张临床采集的眼底彩照。其中433张是非白内障图像，922张是白内障图像。他们提出的离散状态转移（DST）和经验离散状态转移（EDST）策略可以减少网络模型的参数量，防止模型过拟合。Xu等提出了一种用于白内障分级的混合全局-局部特征表达的卷积神经网络模型。在专业眼科医生手工标注的8 030张眼底彩照数据集上，他们首先使用Alex Net学习全局特征，然后在卷积神经网络的每一层上使用一个反卷积网络来分析哪个像素点对分类预测的贡献最大，并解释错误分类的情况。最后采用一个混合模型进行分类，该混合模型是多个Alex Net的集合，结合了全局和局部的特征表达。Yang等则对眼底彩照进行健康、轻度白内障、中度白内障、重度白内障的四类分级。输入的眼底彩照在经过提取绿色通道、对比度增强和滤波等预处理后，被提取如亮度、对比度、逆差矩等共40类特征，最后输入具有40个输入节点、10个隐藏层和4个输出节点的BP神经网络中进行分类。

基于眼底彩照的白内障人工智能诊断算法是一个很有前途的方向，除了检测是否具有白内障之外还需要对白内障的严重程度进行分级。但白内障的人工智能诊断没有通用的公开数据集，各研究仅在自行采集的本地数据集上进行验证，并且白内障的分级没有像糖尿病视网膜病变一样的国际通用分级标准，这些限制使得不同的研究之间缺乏可比较性。除此之外，不同眼病的诊断可能会相互影响。例如，对于同时患有青光眼和白内障的患者，由于白内障引起的眼底特征模糊，无法准确检测视杯、视盘或视网膜节细胞神经纤维，这可能使得青光眼难以诊断。因此，同时诊断白内障和其他眼底疾病也非常具有挑战性。