白內障人工智能輔助診斷系統在社區篩查中的應用效果

吳曉航，劉力學，陳睛晶，賴偉翊，林鐸儒，晏丕松，劉奕志，林浩添

(中山大學中山眼科中心，眼科學國家重點實驗室，廣州 510060)

白內障是全世界致盲和視力損傷的主要原因，占發展中國家失明人數的50%以上[1]。大多數白內障與年齡相關[2]，有些還與全身性疾病[3]、創傷[4]和先天性因素[5]等有關。隨著我國社會經濟發展和老齡化程度加重，白內障的發病率逐年增高。白內障作為可治愈的致盲性眼病，及時發現并進行手術治療可提高白內障患者的視力和生活質量。然而，在目前的三級醫療模式下，我國眼科醫療資源存在相對匱乏和分布不均的問題，給白內障的診治和管理帶來了困難。

近年來，人工智能(artificial intelligence，AI)在醫學領域涌現出許多重大的研究成果。AI利用計算機預先設置算法，通過對大量已標注疾病信息標簽的數據進行學習訓練，從而實現疾病的自動診斷和預測。應用AI輔助診斷系統可突破傳統的醫療模式，拓展優質醫療資源的覆蓋范圍，為白內障的大規模人群篩查提供了新的策略[6]。目前AI已用于先天性白內障、年齡相關性白內障、后發性白內障等多種類型白內障的輔助診斷[6-7]。在我國現行的“三級醫療”格局下，利用AI輔助診斷系統對社區人群進行白內障篩查能促進白內障早期診斷與治療，減輕疾病負擔。為了解白內障AI輔助診斷系統在社區應用的實際情況，本研究以廣州市越秀區的3個社區為例，評估白內障AI輔助診斷系統在社區應用的可行性與準確性。

1 對象與方法

1.1 對象

于2018年4月至10月對廣州市越秀區珠光街、白云街和東山街3個社區的居民進行白內障篩查，篩查前1周通過海報、廣播及宣傳單等方式告知居民篩查的具體時間及地點，并說明此次篩查免費。篩查人員包括中山大學中山眼科中心的3名眼科醫師及各街道社區衛生服務中心的工作人員。受篩查居民的納入標準：1)珠光街、白云街和東山街3個街道社區的居民；2)依從性好，能夠配合醫生進行眼部檢查。排除標準：1)存在心功能不全、腦血栓、腦出血或惡性腫瘤等全身嚴重疾病者；2)有既往眼外傷、內眼手術史者。本次社區篩查已通過中山大學中山眼科中心倫理審查委員會批準。

1.2 方法

1.2.1 白內障AI 輔助診斷系統

本研究所采用的白內障AI輔助診斷系統由中山大學中山眼科中心和Airdoc公司開發[6]。該系統采用ResNet神經網絡結構，實驗環境使用的是Ubuntu 16.04.2 LTS 64位，快速特征嵌入的卷積體系框架(Caffe)和并行計算架構(compute unified device architecture，GPU-CUDA)構建的。該系統通過識別輸入的裂隙燈顯微鏡照片，可輸出白內障相關診斷結果。

1.2.2 篩查流程

居委按照納入和排除標準確定受篩查居民后，受篩查居民到社區衛生服務中心依次進行如下步驟：1)居民信息收集。由工作人員完成病史收集、雙眼視力檢查(有300lx以上照明的Snellen視力表)和雙眼小瞳狀態下的裂隙燈顯微鏡照相(新視野，BIOSLIPS)，并獲得綁定的二維碼用于查詢篩查報告。2)數據傳輸。社區工作人員將上述檢查數據上傳至白內障AI輔助診斷系統。3)AI評估。社區居民可登錄微信公眾號“ZO C人工智能慢病篩查平臺”，通過已綁定的二維碼查看檢查報告以及白內障AI輔助診斷系統對其的評估結果，評估結果分為“無白內障”、“白內障疑似”和“白內障”，對于有至少一只眼評估為“白內障疑似”和“白內障”的患者，系統會建議患者轉診上級醫院。4)人工復核。來自中山眼科中心具有五年以上眼科診療經驗的醫生通過身份驗證登錄同一微信公眾號，查看社區居民的檢查報告并評估裂隙燈圖像質量，進行白內障診斷和轉診建議，診斷結果分為“無白內障或人工晶狀體眼”、“輕度白內障”、“重度白內障”和“無法診斷”。對于有至少一只眼診斷為“重度白內障”的患者，醫生會建議患者轉診上級醫院。白內障社區篩查流程示意圖及ZOC人工智能慢病篩查平臺的使用界面見下圖1和圖2。

1.3 統計學方法

采用SPSS 25.0統計學軟件(美國IBM公司)進行統計分析。Shapiro-Wilk檢驗用于正態分布檢驗。正態分布資料采用均數±標準差()描述；非正態分布資料采用中位數及四分位間距描述。AI診斷模型采用ROC曲線下面積(receiver operator curve，AUC)、敏感性、特異性進行統計和評估。本研究參考LOCS III分類法[8]對白內障進行輕重度分級，標準見圖3。

圖1 白內障社區篩查流程圖Figure 1 Flow chart of community-based cataract screening

圖2 ZOC人工智能慢病篩查平臺使用界面Figure 2 Interface of ZOC AI chronic diseases screening platform

圖3 白內障分級標準Figure 3 Cataract grading criteria

2 結果

2.1 篩查人群一般情況

3個社區接受白內障篩查的人數共2095例4190眼，其中男748例1496眼，女1347例2694眼。所有受檢者接受了白內障AI評估和人工診斷，有1 571人接受了視力檢查。受檢者的年齡和性別分布及受檢眼的視力、圖像質量、白內障AI評估和人工診斷結果分布見表1。

表1 篩查人群一般情況Table 1 General information of the screening population

2.2 白內障AI 輔助診斷系統在社區篩查中的效果

本研究所采用的白內障AI輔助診斷系統在社區篩查中檢出白內障的受試者操作曲線見圖4，其AUC為0.9151。

圖4 白內障AI輔助診斷系統在社區篩查中的表現Figure 4 Performance of cataract AI-assisted diagnostic systems in community-based screening

在篩查人群中，共有269例由醫生建議轉診上級醫院。在這269例中，有216例(80.3%)同樣收到了AI診斷系統轉診上級醫院的建議(表2)。

表2 白內障AI輔助診斷系統與人類醫生的診斷情況Table 2 Cataract AI-assisted diagnostic system and diagnosis by human doctors

3 討論

本研究通過選擇廣州市3個代表性社區，分析了白內障AI輔助診斷系統在社區的應用情況。結果顯示，所篩查人群以65歲以上的老年人為主，且64.3%為女性。在進行裂隙燈顯微鏡照相時，98.7%的圖片質量合格，99.5%的圖片可為人類醫生診斷。在人類醫生建議轉診上級醫院的人群中，80.3%也會收到AI的對應評估結果。這說明了該白內障AI輔助診斷系統在社區應用中的可行性和準確性。

早在2016年，谷歌團隊就通過訓練算法對眼底照中的糖尿病視網膜病變進行準確識別和分級[9]。與其他學科相比，眼球位于體表，具有透明的屈光間質，利于診斷儀器即刻對眼部組織進行直接的活體檢查。這些特征使眼部圖像資料在眼病的診斷、療效檢測及預后判斷中具有重要價值，尤其是對于白內障、角膜病和視網膜疾病等全球范圍內的主要致盲眼病。因此，基于眼部圖像的A I 輔助診斷系統成為防盲治盲工作的發展新趨勢，相關的前瞻性研究也在近年逐漸增多，如Abramof f等[10]對糖尿病視網膜病變AI診斷系統在初級醫療機構的應用研究和Lin等[11]關于先天性白內障AI診斷系統與人類醫生比較的多中心隨機對照試驗。與使用眼底照的糖尿病視網膜病變AI輔助診斷系統相比，本研究采用的白內障A I 輔助診斷系統在圖像采集上更加方便快捷，所得圖像質量的合格率更高，更加適用于大規模的疾病篩查。在AI輔助診斷系統的協助下，本研究僅需安排3名眼科醫生，即可實現對越秀區3個街道社區共61 210名居民的醫療資源覆蓋，相比傳統的“三級醫療”模式更具衛生經濟學效益。因此，本研究所探索的基于AI輔助診斷系統的眼病篩查和診療模式有望成為未來的醫療發展方向。

本研究尚存在一些不足之處。本研究中的篩查人群為2 095人，樣本量較小，且全部屬于廣州市越秀區的居民。越秀區是廣州市的老城區之一，經濟發達，醫療資源豐富，居民老齡化程度較高。為了更好地拓展優質醫療資源的覆蓋范圍，在樣本更具代表性的人群和醫療資源相對匱乏的社區研究該白內障AI輔助診斷系統的應用效果將更有實際意義。此外，本研究所用的AI模型在診斷性能上仍有待提升。該AI模型出現漏診、誤診的原因主要有：一方面，數據集中各類型各程度的白內障在數量上分布不均衡，影響模型學習；另一方面，在實際應用中，篩查人群往往會出現不配合檢查、眼部共患病等情況，這些因素會影響模型表現。我們后續會將通過提高數據集的數量與質量、改進模型算法等方式提高該AI模型在社區應用中的準確性。

綜上所述，本研究結果提示白內障A I 輔助診斷系統用于白內障篩查和診療的可行性和準確性。今后的研究可在更具代表性的人群和地區中進行，以便更好地評估該AI輔助診斷系統的應用價值。

志謝

本文所有作者感謝珠光街、白云街及東山街社區的居委會和社區衛生服務中心工作人員的配合，以及Airdoc公司所提供的技術支持。