跳到內容
Lumic Lumic：眼科百科
白內障與前節

白內障手術的數位介入工具

一目瞭然的重點

Section titled “一目瞭然的重點”

1. 白內障手術的數位介入工具

Section titled “1. 白內障手術的數位介入工具”

白內障是水晶體部分或全部混濁的疾病總稱。全球約有5,260萬人患有中度至重度視力障礙，是導致可治療失明的主要原因。白內障手術是最具成本效益的醫療介入之一，但在低、中收入國家，資源有限和漫長的等待時間成為治療的障礙。

近年來，以人工智慧（AI）為核心的數位技術已應用於白內障護理的多個階段。AI技術的應用領域主要分為以下三類：

  • 診斷輔助：利用裂隙燈照片或眼底照片進行白內障的自動檢測與嚴重程度分類
  • 人工晶體度數計算：透過機器學習演算法高精度預測術後屈光結果
  • 手術輔助：術中階段辨識、併發症風險預測、VR基礎訓練

隨著人口老化，白內障手術需求持續增加，但眼科醫療供給卻無法跟上。AI技術被視為填補此供需缺口的手段而受到關注。

Q 為什麼白內障照護需要AI？
A

隨著老年人口增加，白內障手術需求急遽上升，但眼科醫療供給並未充分擴展。特別是在低中收入國家及農村地區，未診斷的白內障案例眾多，透過AI輔助的遠距診斷與篩檢，可能有助於縮小醫療可近性的差距。

2. 白內障概述

Section titled “2. 白內障概述”

白內障的流行病學與分類

Section titled “白內障的流行病學與分類”

白內障主要因老化引起，包括初期混濁在內的盛行率，50多歲約45%，60多歲75%，70多歲85%，80歲以上達100%。主要混濁類型為皮質、核及後囊下三種，其中日本人以皮質白內障最為常見。

白內障的嚴重程度分類常用LOCS III（晶狀體混濁分類系統III）、WHO分類及Emery-Little分類等。Emery-Little分類將核部色調分為5級，廣泛用於評估手術難度。

主要自覺症狀

Section titled “主要自覺症狀”

白內障初期通常沒有自覺症狀。隨著病情進展，會出現以下症狀。

  • 視力下降（霧視）：當混濁擴展至中央區域時，會阻礙光線進入。
  • 畏光（刺眼）：因混濁導致光線散射而產生
  • 眩光障礙：在對向車頭燈或強烈陽光下難以看清
  • 單眼複視：因水晶體內不均勻的折射率變化所引起
  • 屈光異常：核性白內障進展時可能導致近視化

目前的標準治療

Section titled “目前的標準治療”

目前沒有藥物能使白內障透明化。對於視功能下降的病例，超聲乳化吸除術（PEA）及人工晶體（IOL）植入術是標準治療。由於手術設備的進步，可通過約2mm的小切口進行手術，術後可早期回歸社會。近年來，使用飛秒激光的白內障手術也已應用於臨床。

3. 診斷用的數位工具

Section titled “3. 診斷用的數位工具”

目前白內障由眼科醫師使用裂隙燈顯微鏡進行臨床診斷，必須面對面檢查。然而，在發展中國家或農村地區，由於就醫不便，未診斷的白內障成為一個重大問題。

AI輔助遠距診斷平台可降低這些就醫障礙。尤其對於兒童白內障，為避免不可逆的弱視，快速診斷極為重要。

深度學習自動檢測白內障

Section titled “深度學習自動檢測白內障”

基於裂隙燈照片

Wu等人的模型：使用約38,000眼的裂隙燈照片進行訓練。在白內障檢測與嚴重度分類上達到95%以上的敏感度與特異度。在核硬度三級判定上亦報告約80%的敏感度與特異度。

Li等人（Visionome）：利用裂隙灯照片诊断包括白内障在内的眼前段疾病。准确率79.47%至99.22%，表现优于具有一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等人提出了一個三階段模型：(1)智慧型手機自我監測、(2)前眼部照片的AI診斷、(3)利用雲端平台進行眼科專科醫師的遠距診療。此機制可使每位眼科醫師覆蓋的人口增加十倍。眼科AI診斷自2016年糖尿病視網膜病變篩檢論文發表以來，主要應用於眼底照片及後眼部OCT的視網膜疾病與青光眼，但近年來已逐漸擴展至前眼部裂隙燈照片的應用。

Q 能否用智慧型手機診斷白內障？
A

雖然仍處於研究階段，已有系統提出透過AI分析智慧型手機拍攝的前眼部影像，來判斷白內障的有無及嚴重程度。雖然臨床應用仍需進一步驗證，但可能有助於偏遠地區的篩檢。

4. 用於計算人工水晶體度數的數位工具

Section titled “4. 用於計算人工水晶體度數的數位工具”

白內障手術需要精確的術後屈光結果。傳統的人工水晶體計算公式在屈光矯正手術後的眼睛或具有極端生物測量值的患者中，預測精度不足。利用AI的新一代計算公式正在解決這個問題。

傳統公式的AI改良

Section titled “傳統公式的AI改良”
  • Sramka等人：評估SVM回歸模型與多層神經網路集成模型（MLNN-EM），兩者均報告預測精度優於傳統臨床方法
  • Ladas等人：將現有眼內透鏡計算公式（SRK、Holladay I、Ladas Super formula）與監督式學習演算法（SVR、XGB、ANN）結合，以精細化預測

AI基礎的新世代眼內透鏡計算公式

Section titled “AI基礎的新世代眼內透鏡計算公式”
計算公式特點備註
Kane公式理論＋AI回歸分析比較試驗中一貫表現前三名
Hill-RBF基於ANN的模式識別分析大規模屈光數據集
PEARL-DGSML＋輸出線性化極端生物測量值調整

Kane公式是基於理論的模型，結合了回歸分析與AI組件。在比較試驗中，其表現優於Barrett Universal II、Haigis、Olsen等第三代計算公式，並在新一代計算公式中持續保持前三名的性能。即使在眼軸長度極端的病例中，也能顯示出合理的結果。

**Hill-RBF（径向基函数）**是一種基於人工神經網路的眼內鏡度數計算器，透過模式識別和數據插值分析大量的屈光結果數據集。

PEARL-DGS公式使用機器學習建模和輸出線性化，進行有效鏡片位置預測以及對極端生物測量值的調整。

Karmona是一種數據驅動的眼內鏡度數計算方法，使用K近鄰法、ANN、SVM、隨機森林等多種機器學習模型來預測度數。

Q 使用AI進行眼內鏡計算的優點是什麼？
A

傳統的眼內鏡度數計算公式基於特定理論模型，因此在屈光手術後或眼軸長度極端長/短的案例中，誤差可能較大。AI基礎的計算公式透過大規模數據學習模式，即使在這些特殊案例中也能維持高預測準確度。

5. 手術的數位工具

Section titled “5. 手術的數位工具”

AI也應用於白內障手術的訓練、術中決策及術後分析。

術中階段自動識別

Section titled “術中階段自動識別”

白內障手術由多個階段（前囊切開、水晶體核處理、皮質吸引、人工水晶體植入等）組成。利用AI自動分析手術影片，可識別各個階段。

  • Yu等人：結合手術器械的標籤資訊，比單獨使用影片影像達到更高精度的階段偵測
  • Quellec等人：開發了能即時辨識手術任務的自動化影片分析系統

階段的自動識別是分階段評估手術技術能力及提供即時回饋的基礎。

術中併發症風險的預測

Section titled “術中併發症風險的預測”

Lanza等人分析了1,229例白內障手術（包含73個錯誤），建立了一個AI模型，用於檢測術中併發症的風險因素並預測總手術時間。

VR基礎的手術訓練

Section titled “VR基礎的手術訓練”

**Eyesi（Haag-Streit公司）**是市售的眼科模擬訓練系統，結合虛擬實境（VR）與AI提供智慧化教育，讓學習者在接觸真實患者前能掌握手術技能。

6. 挑戰與未來展望

Section titled “6. 挑戰與未來展望”

若AI成功導入白內障臨床照護，可望帶來提升醫療效率、改善就醫可近性及降低成本等長期效益，尤其對低收入族群助益顯著。

然而，實際應用仍面臨以下挑戰。

  • 倫理資料管理：確保患者資料的安全性與隱私
  • 通用性驗證：在不同種族、地區及設備間的性能穩定性
  • 臨床驗證不足：僅少數臨床試驗在真實世界中評估AI系統的有效性
  • 排除偏誤：訓練數據若有偏差，會導致AI判斷產生系統性誤差
  • 使用者接受度：建立醫療人員與患者雙方對AI的信任與理解

至今，在臨床環境中證實可靠性的演算法僅限於少數。為了確立AI系統的實用性，需要進一步的隨機對照試驗。

Q AI診斷白內障的日子是否即將到來？
A

雖然研究層級報告了高準確度，但全面導入臨床現場仍有挑戰。必須確認不同族群間的通用性、透過大規模臨床試驗驗證有效性、建立倫理資料管理，短期內以輔助眼科醫師診斷的工具來運用較為實際。

7. 參考文獻

Section titled “7. 參考文獻”
  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.

複製全文後，可以貼到你常用的 AI 助手中提問。