跳转到内容
Lumic Lumic：眼科百科
白内障与前节

白内障手术的数字干预工具

一目了然的要点

Section titled “一目了然的要点”

1. 什么是白内障手术的数字干预工具

Section titled “1. 什么是白内障手术的数字干预工具”

白内障是晶状体部分或全部混浊的疾病总称。全球估计有5260万人患有中度至重度视力障碍，是导致可治疗失明的主要原因。白内障手术是最具成本效益的医疗干预之一，但在低收入和中等收入国家，有限的资源和漫长的等待时间成为治疗的障碍。

近年来，以人工智能（AI）为核心的数字技术已应用于白内障护理的多个阶段。AI技术的应用领域主要分为以下三类：

  • 诊断辅助：利用裂隙灯照片或眼底照片进行白内障的自动检测和严重程度分类
  • 眼内透镜度数计算：通过机器学习算法高精度预测术后屈光结果
  • 手术辅助：术中阶段识别、并发症风险预测、基于VR的培训

随着人口老龄化，白内障手术的需求不断增加，而眼科医疗的供给却跟不上。AI技术作为填补这一供需缺口的手段备受关注。

Q 为什么白内障护理需要AI？
A

随着老年人口的增加，白内障手术需求急剧上升，但眼科医疗服务的供给并未充分扩大。特别是在低收入和中等收入国家以及农村地区，未诊断的白内障病例很多，利用人工智能进行远程诊断和筛查，有可能缩小医疗可及性的差距。

2. 白内障概述

Section titled “2. 白内障概述”

白内障的流行病学与分类

Section titled “白内障的流行病学与分类”

白内障的主要病因是衰老，包括早期混浊在内的患病率在50多岁人群中约为45%，60多岁为75%，70多岁为85%，80岁以上达到100%。主要混浊类型有皮质性、核性和后囊下三种，其中日本人以皮质性白内障最为常见。

白内障的严重程度分类采用LOCS III（晶状体混浊分类系统III）、WHO分类、Emery-Little分类等。Emery-Little分类将核部色调分为5级，广泛用于手术难度评估。

主要自觉症状

Section titled “主要自觉症状”

白内障初期常无自觉症状。随着病情进展，出现以下症状。

  • 视力下降（雾视）：混浊波及中央部时，阻碍光线进入。
  • 畏光（眩光）：由晶状体混浊引起的光散射所致
  • 眩光障碍：在对面车灯或强阳光下视物困难
  • 单眼复视：由晶状体内不均匀的屈光指数变化引起
  • 屈光异常：核性白内障进展时可能出现近视化

当前标准治疗

Section titled “当前标准治疗”

目前尚无药物能使白内障透明化。对于视功能下降的病例，超声乳化吸除术（PEA）联合人工晶状体（IOL）植入术是标准治疗。随着手术设备的进步，可通过约2mm的小切口进行手术，术后早期即可恢复社会生活。近年来，飞秒激光辅助的白内障手术也已应用于临床。

3. 诊断用数字工具

Section titled “3. 诊断用数字工具”

目前，白内障由眼科医生使用裂隙灯显微镜进行临床诊断，必须面对面检查。然而，在发展中国家和农村地区，由于就医困难，未诊断的白内障成为一个重大问题。

AI辅助远程诊断平台可以降低这些访问障碍。特别是在儿童白内障中，为防止不可逆的弱视，快速诊断极为重要。

基于深度学习的白内障自动检测

Section titled “基于深度学习的白内障自动检测”

基于裂隙灯照片

Wu等人的模型：使用约38,000只眼的裂隙灯照片进行训练。在白内障检测和严重程度分类中实现了超过95%的敏感性和特异性。在核硬度三级判定中也报告了约80%的敏感性和特异性。

Li等人（Visionome）：通过裂隙灯照片诊断包括白内障在内的眼前段疾病。准确率为79.47%至99.22%，表现优于具有1年临床经验的眼科医生。

基于眼底照片

Xu等人的模型：以眼底照片为输入的CNN集成算法（AlexNet+VisualDN）。在白内障检测和分类中达到86.2%的准确率。

基于ResNet的模型（Wu等人）：在白内障晶状体、人工晶状体眼和正常眼的三阶段识别中报告AUC超过0.99。

Wu等人提出了一个三阶段模型：(1)智能手机自我监测，(2)基于眼前段照片的AI诊断，(3)利用云平台的眼科专家远程诊疗。这一机制可使每位眼科医生覆盖的人口增加10倍。自2016年糖尿病视网膜病变筛查论文发表以来，眼科AI诊断在眼底照片和后段OCT用于视网膜疾病和青光眼方面已先行发展，但近年来，眼前段裂隙灯照片的应用也在推进。

Q 智能手机能否诊断白内障？
A

虽然仍处于研究阶段，但已有系统提出通过AI分析智能手机拍摄的眼部前段图像，判断白内障的有无及严重程度。虽然临床实际应用仍需进一步验证，但可能有助于偏远地区的筛查工作。

4. 用于计算人工晶状体度数的数字工具

Section titled “4. 用于计算人工晶状体度数的数字工具”

白内障手术需要精确的术后屈光结果。传统的人工晶状体计算公式在屈光矫正术后眼或具有极端生物测量值的患者中预测精度不足。利用AI的新一代计算公式正在应对这一挑战。

传统公式的AI改良

Section titled “传统公式的AI改良”
  • Sramka等人：评估了SVM回归模型和多层神经网络集成模型（MLNN-EM），两者均报告了优于传统临床方法的预测精度
  • Ladas等人：将现有眼内透镜计算公式（SRK、Holladay I、Ladas Super formula）与监督学习算法（SVR、XGB、ANN）相结合，以精化预测

基于AI的新一代眼内透镜计算公式

Section titled “基于AI的新一代眼内透镜计算公式”
计算公式特征备注
Kane公式理论+AI回归分析比较试验中始终排名前三的性能
Hill-RBF基于ANN的模式识别分析大规模屈光数据集
PEARL-DGSML+输出线性化极端生物测量值调整

Kane公式是基于理论模型结合回归分析和AI组件的公式。在比较试验中，它优于Barrett Universal II、Haigis、Olsen等第三代公式，并在新一代公式中始终维持前三的性能。即使在眼轴长度极端病例中也显示出合理的结果。

**Hill-RBF（径向基函数）**是一种基于人工神经网络的眼内透镜计算器，通过模式识别和数据插值分析大量屈光结果数据集。

PEARL-DGS公式采用机器学习建模和输出线性化，用于预测有效透镜位置并调整极端生物测量值。

Karmona是一种数据驱动的眼内透镜度数计算方法，使用K近邻、ANN、SVM、随机森林等多种机器学习模型预测度数。

Q 使用AI进行眼内透镜计算有什么好处？
A

传统的眼内透镜计算公式基于特定的理论模型，因此在屈光矫正手术后的眼睛或眼轴长度极长/极短的病例中，误差可能较大。基于AI的计算公式通过从大规模数据中学习模式，即使在这些特殊病例中也能保持较高的预测精度。

5. 手术的数字工具

Section titled “5. 手术的数字工具”

AI也应用于白内障手术的培训、术中决策和术后分析。

术中阶段的自动识别

Section titled “术中阶段的自动识别”

白内障手术由多个阶段（前囊切开、晶状体核处理、皮质抽吸、人工晶状体植入等）组成。利用AI对手术视频进行自动分析，可以识别各个阶段。

  • Yu等人：与仅使用视频图像相比，结合手术器械的标签信息可实现最高精度的阶段检测
  • Quellec等人：开发了能够实时识别手术任务的自主视频分析系统

阶段的自动识别是分阶段评估手术技能和提供实时反馈的基础。

术中并发症风险预测

Section titled “术中并发症风险预测”

Lanza等人分析了1229例白内障手术（包含73例错误），构建了用于检测术中并发症风险因素和预测总手术时间的AI模型。

基于VR的手术培训

Section titled “基于VR的手术培训”

**Eyesi（Haag-Streit公司）**是一款市售的眼科模拟培训系统，通过虚拟现实（VR）与AI结合提供智能教育，使学习者在接触真实患者前能够掌握手术技能。

6. 挑战与未来展望

Section titled “6. 挑战与未来展望”

如果AI成功应用于白内障临床护理，有望带来提高医疗效率、改善可及性、降低成本等长期利益。尤其是在低收入群体中，其益处将更为显著。

然而，在实现实用化方面存在以下挑战。

  • 伦理数据管理：确保患者数据的安全性和隐私性
  • 通用性验证：在不同种族、地区和设备间性能的稳定性
  • 临床验证不足：评估AI系统在真实世界中有效性的临床试验很少
  • 消除偏差：训练数据存在偏差会导致AI判断出现系统性误差
  • 用户接受度：建立医护人员和患者双方对AI的信任与理解

到目前为止，在临床环境中被证明可靠的算法仅限于少数。为了确立AI系统的实用性，还需要进一步的随机对照试验。

Q AI诊断白内障的日子是否临近？
A

研究层面已报告了高精度，但全面引入临床实践仍面临挑战。必须确认不同人群间的通用性、通过大规模临床试验验证有效性、建立伦理数据管理，短期内作为辅助眼科医生诊断的工具更为现实。

7. 参考文献

Section titled “7. 参考文献”
  1. Ahuja AS, Paredes AA 3rd, Eisel MLS, et al. Applications of Artificial Intelligence in Cataract Surgery: A Review. Clin Ophthalmol. 2024;18:2969-2975. PMID: 39434720.
  2. GBD 2019 Blindness and Vision Impairment Collaborators; Vision Loss Expert Group of the Global Burden of Disease Study. Causes of blindness and vision impairment in 2020 and trends over 30 years, and prevalence of avoidable blindness in relation to VISION 2020: the Right to Sight: an analysis for the Global Burden of Disease Study. Lancet Glob Health. 2021;9(2):e144-e160. PMID: 33275949.
  3. Wu X, Huang Y, Liu Z, et al. Universal artificial intelligence platform for collaborative management of cataracts. Br J Ophthalmol. 2019;103(11):1553-1560. PMID: 31481392.
  4. Connell BJ, Kane JX. Comparison of the Kane formula with existing formulas for intraocular lens power selection. BMJ Open Ophthalmol. 2019;4(1):e000251. PMID: 31179396.
  5. Roberts TV, Hodge C, Sutton G, Lawless M; Vision Eye Institute IOL outcomes registry contributors. Comparison of Hill-radial basis function, Barrett Universal and current third generation formulas for the calculation of intraocular lens power during cataract surgery. Clin Exp Ophthalmol. 2018;46(3):240-246. PMID: 28778114.
  6. Yu F, Silva Croso G, Kim TS, et al. Assessment of Automated Identification of Phases in Videos of Cataract Surgery Using Machine Learning and Deep Learning Techniques. JAMA Netw Open. 2019;2(4):e191860. PMID: 30951163.
  7. Thomsen ASS, Bach-Holm D, Kjærbo H, et al. Operating Room Performance Improves after Proficiency-Based Virtual Reality Cataract Surgery Training. Ophthalmology. 2017;124(4):524-531. PMID: 28017423.

复制全文后，可以粘贴到你常用的 AI 助手中提问。