高度近视人工智能应用现状

高度近视作为致盲眼病，不能忽略眼底的影像检测。东京医科牙科大学眼科视觉科学系的Kyoko Ohno-Matsui教授认为高度近视分单纯性高度近视与病理性高度近视两种，两者都有眼轴延长，区别在于前者为规则椭圆，后者为不规则椭圆，而且后者有视网膜脉络膜的变化。2015年，关于病理性高度近视的荟萃分析提出了一种近视性黄斑病变分类系统，包括：无眼底病变、豹纹状眼底、弥漫性萎缩、斑片状萎缩和黄斑萎缩，另有3个附加特征即漆裂纹、Fuchs斑和脉络膜新生血管，这三个附加特征的发展与0～4级近视眼底病变的进展是独立的。在该分类系统中眼底病变≥2级或具有至少一个附加特征可诊断为病理性近视。

作者所在研究团队针对高度近视眼底图像提出一种智能辅助诊断技术，根据病理性高度近视的荟萃分析提出的近视性黄斑病变分类体系进行深度学习自动分级诊断。两种深度学习高度近视自动分级诊断系统能够自动进行高度近视眼底彩照的分级评价，有较高的临床分级诊断效率和特异性，与眼科专家的诊断一致性最高达93.31%（VGG16数据模型）和95.93%（Res Net50数据模型）。本研究中，VGG16高度近视自动分级诊断模型在病理性高度近视C2～C4级诊断中敏感性为89.72%、特异性为86.16%，准确率为72.32%；ResNet50高度近视自动分级诊断模型在病理性高度近视C2～C4级诊断中敏感性为90.11%、特异性达到91.24%，准确率达到80.57%。同时，一致性分析结果显示两种深度学习模型对病理性高度近视眼底图像（C2～C4级）的分辨与专家标注的结果高度一致（VGG16模型Kappa值87.18%；ResNet50模型Kappa值90.91%），说明采用深度学习模型进行病理性高度近视的识别准确率较高，可以很好地辅助病理性高度近视筛查，既保证了准确率又极大提高了高度近视眼底图像解析的工作效率。

目前国外也有科研团队从事高度近视眼底图像分类方面工作。关于人工智能辅助高度近视眼底图像的解析，Ruben Hemelingsae等应用卷积神经网络（CNN）建立高度近视深度学习模型，对高度近视相关病变自动分割和分级，AUC可以达到0.986 7。Kyoko Ohno-Matsui等通过深度学习算法诊断眼底照相中不同类型近视黄斑病变，总正确预测率为87.53%，正确检出高度近视的总百分比为92.08%。

高度近视患者黄斑区OCT检查可为疾病进展的监测和治疗方案的选择提供依据。中山眼科中心的林浩添教授团队使用OCT黄斑图像开发CNN模型，以识别高度近视患者的视力威胁状况，取得了可与视网膜专家相媲美的高敏感性和高特异性（均＞90%），AUC达到96.1%～99.9%，可用于大规模高度近视筛查和患者随访。有学者提出了一种顺序分割方法，使用U-Net的变体构建模型，对40名高度近视患者脉络膜OCT扫描结果进行体积分割，精确度可以达到0.92，准确率可达到99.34%，AUC可达到0.992 7。