AI介导的高准确度的自动筛查方法具有很大的临床应用潜力, 可以帮助医师在短时间内评估更多患者病情。例如目前指南建议对无视网膜病变或轻度糖尿病视网膜病变（Diabetic retinopathy, DR）患者进行每年一次筛查, 6个月内对中度DR进行重复检查, 对严重的非增殖性糖尿病视网膜病变（Nonproliferative diabetic retinopathy, NPDR）患者进行更为密切的随访, 同时眼底照相也是DR广泛应用的筛查手段, 因此, 借助于眼底照片的AI筛查最早在DR的自动评估系统中开展研究, DR也是最适合用于AI研究的眼底疾病之一^[4]。Google公司研究者Gulshan团队在2016年采用深度学习网络, 对128 175张已由54名美国专家标注过的视网膜眼底图像进行判断, AI不但可以根据眼底照片快速诊断出DR, 而且精度惊人— — 敏感度达96.1%, 而特异度也高达93.9%^[5]。目前我国的AI医疗团队Airdoc 在DR诊断领域也取得了巨大的成果, Airdoc在眼科专家的训练下, 在眼底照片国际标准5分类方面的准确性也丝毫不逊于专业眼科医师。该研究获得巨大成功之后, 更多的研究者及临床医师合作, 在其他视网膜疾病中进一步推广, 同样获得了预期效果^{[6, 7, 8, 9, 10, 11]}。张康团队采集207 130张光学相干断层扫描（OCT）图像, 通过质量初筛后, 选取了来自于 4 686例患者的108 312张OCT图片, 其中脉络膜新生血管37 206张、糖尿病性黄斑水肿11 349张、玻璃膜疣8 617张、正常51 140张, AI系统能鉴别这些图片, 且准确率、敏感度、特异度均在95%以上^[7]。

由此可见, AI介导的影像评估的准确性和人类专家相似, 但在效率上远远超过眼科医师。AI另一特点就是精准, 不会因为劳累而出现诊断出错的情况^[12]; 目前部分医院由于就诊量巨大, 医师人手有限, 部分眼科检查不能当天给出诊断结果, AI可以在1 s内识别眼部图像并且给出诊断建议, 可以大大解放临床医师, 从而使其将更多精力放在研究性工作和治疗当中。

尽管我国眼科工作者在眼部疾病临床研究与实践中取得长足进步, 但大部分地区的诊治水平仍然落后; 基层眼科医疗资源远远不能满足需求^[13]。通过科技辅助的医疗诊断模式, 可以在广大基层地区开展多种疾病的早期、低成本筛查; 对于医疗资源相对匮乏的地级、县域医院, 通过高效远程医疗体系, 使基层医院的诊断水平接近综合性三级医院, 让边远地区群众享有发达地区相似的医疗条件。将成熟的医学AI产品应用于基层医疗单位, 通过智能阅片, 准确、量化、及时地对患者眼底影像进行初筛, 将有效协助医师的诊断, 提高诊断效率。AI将成为国家分级诊疗、医疗优质资源惠及基层单位的最佳助手, 能解决目前日益突出的看病难、看病贵问题, 具有非常重大的临床意义和社会意义。

眼底病内科一直是眼科医师学习的难点, 眼底常见疾病的规范治疗, 少见病的判别都依赖于眼底影像检查和诊断, 尤其是荧光造影及OCT的图像解读, 更是目前多种疾病的诊断标准, AI介导的影像规范化评价能够辅助年轻眼科医师、全科医师及需要眼底疾病学习的其他内科医师等, 且能以一个辅助教学的方式, 使医师进行规范化的继续教育, 识别更多的亚专科疾病, 缩短学习曲线, 从而提高眼科整体的综合诊疗水平。

AI的影像评价系统, 能够记录每例患者在诊疗过程中任何一个细节, 将患者的个人病史作为基准, 在此基础上, 小偏差数据的出现, AI模型可以自动识别并标记可疑病变, 而这种可疑病变可能意味着疾病严重程度的改变, 可为经验不足的医师提供辅助评价建议, 提高影像判读的准确性。AI是临床医师诊断和治疗的辅助工具, 它将增强医师的诊断能力, 在此过程中临床医师也将为AI提供有价值的学习数据, 使其能够不断地学习和改进, 这种持续互动将提高系统的准确性。

AI介导的标准化评价体系特别适合大型临床试验的应用, 在临床试验研究中使用自动读片和判断等进行入组筛选、随访观察、干预治疗的疗效评价都可统一执行规范, 减少人为干扰因素; 临床试验后期AI可帮助清理数据和进行数据分析, 因而大大加快了临床试验进程（仅试验后数据清理可能就要花费1~2个月, 但借助AI, 1 d内即可完成）, AI可帮助将临床试验时长压缩至原来的60%~70%, 可帮助削减90%成本; 除了可帮助简化临床试验过程及复核工作外, AI还能够借用已有数据集, 利用虚拟建模技术取代部分患者, 模拟临床试验的整个对照组, 节省时间和成本。

AI影像系统发展的关键是什么?是数据的质。即数据的真实性、准确性和规范性。图像的标准格式是所有眼科医师用以图像分级的参考标杆, 也将是AI软件测试的标准。大多数眼科医师都无法辨别的图像, 必定无法应用于AI系统。在图像采集、处理、标注中制定适合AI软件适用的行业标准, 形成更大规模的高质量数据库和验证集, 使机器学习更加精准, 形成可靠的标准化产品解决临床的问题。同时在全国范围内进行标准化统一^[14], 达到影像评价的规范化, 确保各级医疗机构的诊疗行为规范, 确保医疗质量, 这也为今后研究提供了高质量的数据。

单维度的影像信息有限, 必须有更高维度的数据, 才能把数据模型建得准确丰富。多维影像数据可以提供更多的层析信息, 更加精准。AI技术可把不同影像数据与患者个体信息相结合, 采用深度学习的方法对这些多源、多维度的大数据进行融合分析, 得到更为准确的自动分类结果, 可以更好地帮助多维影像检查结果进行整合, 开发虚拟筛选技术, 以取代或增强传统的筛选-验证过程, 并提高筛选的速度和成功率, 从而提升诊断的特异性及准确性, 尤其是对少见病、罕见病的诊断。

结合病史问诊、体格检查、影像检查、图像处理、图像阅读、图像分析、综合判断、做出诊断、随访建议等多个环节, 每一个环节都需要大量的有效数据用于决策。AI在眼科领域的应用发展离不开各大医疗机构及各级眼科医师的努力探索与积极参与, 有赖于各医院间的信息和大数据共享。打破信息壁垒, 实现数据标准化, 共享数据, 云处理, 才能真正实现“ 人工智能” 。在不久的将来, 依托AI, 影像学也可以与病理学、基因组学等学科更好地融合在一起, 真正实现精准化诊断及个体化治疗。

AI辅助的诊疗规范是其将来在眼科应用的另一大优势：以循证科学为依据, 利用专家系统, 进行临床决策。专家系统是一种计算机程序, 旨在将专家的知识和能力纳入特定的领域, 以及以发表的科学论文为依据而决策支持的系统, 是一类专门用来帮助决策过程的专家系统。基于AI的临床决策支持系统的好处是, 他们可以处理高度复杂的数据, 更为有效地筛选临床Biomarker, 帮助临床医师提取相关信息并做出最佳决策, 不仅仅判断是否需要治疗, 而且根据患者的病种、病史、环境、生活方式、偏好、基因组成等选择最适合的治疗方式; 同时辅助处理不确定性, 完善决策制定。应用AI支持的临床决策支持系统可以减少对临床医师时间的需求, 并且可以避开人员能力有限的障碍。随着AI技术不断进步, 决策能力亦可以不断提升, 从而辅助医师做出更准确的诊断, 指导临床实践, 以采取更为合适的方案为患者进行治疗, 实现疾病的早诊断、早治疗。

AI必须和医院深度合作, 要驻扎在医院, 从临床需求出发, 在临床中孵化技术。AI产品的开发应该由医院和医师来主导, 企业或实验室提供相应的算法支持, 帮助医师更好地完成工作。公司则要持续提供支持把AI抚育得更好。这种支持应该来源于医疗数据并契合医院的需求, 两者相辅相成才能为AI的高速发展提供优良环境。只有当医疗数据在医院和企业之间流动起来, 才能发挥巨大的作用, 成为AI发展的基石。同时更应鼓励各亚专科领域的优秀临床专家参与AI开发, 调动各级临床医师参与AI建设的积极性, 积极推进科研成果向临床实践的转化。