年龄相关性黄斑变性人工智能应用现状

随着全球患AMD人数的不断增加，对AMD的筛查和诊断工作是眼科医生的巨大挑战。拥有一个可靠的人工智能方法帮助AMD筛查和诊断并及时针对性地采取干预措施具有重要意义。国外有不少研究团队将人工智能识别眼底图像用于AMD的诊断。Ting等通过38 189例患者的108 558张眼底图像训练出一个较为成熟的AMD筛查模型，用于筛查可疑AMD患者的人群，敏感性达93.2%，特异性达88.7%，受试者操作特征曲线下面积（AUC）达0.931，但这些眼底图像未进行黄斑区的标注。约翰霍普金斯大学的研究团队与其他几个研究团队则在AREDS眼底图像数据库（图像含有黄斑区的标注和分割）的基础上，训练深度卷积神经网络模型，准确率达88.4%～91.6%，AUC达0.94～0.96，Kappa值达0.764～0.829。渗出型AMD的早发现对保护视力至关重要。在何明光教授等研究团队的一项研究中，深度学习算法模型筛查发现渗出型AMD的AUC可达到0.967～0.995，敏感性为96.7%～100%，特异性为93.4%～96.4%，其中超过60%的假阳性病例显示其他黄斑病变，在假阴性病例（仅限内部验证数据集）中，超过一半（57.2%）被证明未检测到视网膜神经感觉层或视网膜色素上皮层脱离，这显示了该模型检测渗出型AMD的强大性能。

光学相干断层扫描（OCT）已广泛用于多种眼科疾病诊断的辅助检查。Kermany等将患者的OCT结果作为输入值，在AMD的筛查和诊断中得到比眼底彩照作为输入值更准确的结果，并且成本更低。Motozawa等进行的一项横断面观察性临床研究，构建了卷积神经网络模型，以100%的敏感性、91.8%的特异性和99.0%的准确率对AMD和正常OCT图像进行分类，并在不使用分割算法的情况下利用迁移学习区分有无渗出性变化的AMD，敏感性为98.4%，特异性为88.3%，准确率为93.9%。

AMD是一种高度复杂的疾病，个体间的治疗需求存在很大差异，这表明最佳治疗应该针对个体量身定制。使用精密医疗器械——光谱域光学相干断层扫描（SD-OCT）可对眼底疾病患者视网膜的病理形态特征进行定性和定量观察，在主动监测、治疗决策和患者随访中必不可少。治疗新生血管性AMD最常用的个体化治疗方案按需给药（pro re nata，PRN）和治疗与延展给药都依赖于持续的OCT检查为疾病监测和治疗决策提供的有用信息。Hrvoje Bogunovi等提出并评估了一种机器学习算法，可根据治疗开始期间进行的OCT扫描预测抗VEGF治疗需求，他们的研究发现在317名受试者中，在第3个月至第23个月的PRN维持阶段71名患者表现出低注射需求（≤5次），70名患者表现出高注射需求（≥16次），低注射需求和高注射需求亚组的分类AUC分别为0.7和0.77。这项初步研究的结果是在新生血管性AMD管理中朝着图像引导预测治疗间隔迈出的重要一步。

玻璃体内注射抗VEGF制剂是目前治疗新生血管性AMD的标准治疗方法。在临床试验中，接受抗VEGF治疗的患者在治疗1年时的最佳矫正视力（best-corrected visual acuity，BCVA）比基线平均提高了1～2行。然而基于患者的个体差异和疾病的复杂性，在真实世界中AMD患者治疗后的BCVA难以预测。人工智能在预测AMD治疗后BCVA的临床研究中也展现出巨大的潜力。Ursula Schmidt-Erfurth等利用新生血管性AMD患者初始阶段的结构和功能评估，构建机器学习模型，预测其接受标准化雷珠单抗治疗的BCVA结果。这项研究表明，接受标准化雷珠单抗治疗的基线BCVA与基线SD-OCT适度相关，而BCVA的预测结果由初始阶段的BCVA水平决定。