大流行促使人工智能的范式转变

大流行在所有领域都加速了数字化，包括医疗保健。

数据、人工智能、数字医疗系统和连接已经以多种方式帮助对抗COVID-19,发现新的可能性和展示一个清晰的路线图如何集成到人工智能的医疗生态系统,加强安全、效率和有效性,最终改善病人护理的质量。

“这场大流行给卫生保健带来了压力，但也促进了对我们所处位置和正在做什么的分析。这是一个强有力的、美好的警钟，让我们看到，不仅是对疾病的管理，而且对病人的管理，都是可以改善的。”Ursula Schmidt-Erfurth，MD，PHD，维也纳眼科医院的眼科医院教授和主席。

数字方法使患者能够接受护理的新方法，并将保留超出Covid-19紧急情况的有效性。

她说:“人工智能和大数据领域的重大努力已经在进行中，疫情让我们意识到，加快采用人工智能的步伐是必须的。”

“在2020年立即使用并成功应用人工智能来应对一项重大的全球公共卫生挑战，很可能会增加公众和政府在未来医疗保健的其他领域，包括慢性病，对此类技术的接受度，”舒伟，医学博士，博士，新加坡国家眼科中心的人工智能和数字创新负责人，助理教授说。他也是美国眼科学会人工智能工作组和STARD-AI工作组的执行委员会成员之一。

危机也可能带来机遇，而这场2020年的巨大危机为数字技术提供了巨大机遇。

优化筛选，监测，治疗

数据分析的数字方法允许对患者进行远程筛查，诊断和监测，在大流行过程中获得伟大资产，也是在正常情况下的机会。他们还通过分享和交换图像来缓解初级教育部的转诊过程。

“对病人和整个医疗系统来说，有多重机会和多重优势。从筛查的第一步开始，我们需要有效的方法来识别早期疾病。这在视网膜方面尤其如此，早期检测和早期治疗是良好视力结果的关键，”施密特-埃弗思说。

据估计，全世界的2亿人受早期相关黄斑变性的影响，3 000万糖尿病，75％的人将开发糖尿病眼病。筛选是一个巨大的任务，只能通过自动图像分析系统实现。

另一个目标是提供与临床试验相当的真实治疗结果。

Schmidt-Erfurth说:“目前存在一个缺口，主要是由于治疗不足，这意味着我们需要优化监测频率和精度，用客观、准确和标准化的方法测量液体分辨率和液体复发方面的治疗反应。”

AMD进展的生物标志物

Schmidt-Erfurth和Vienna大学的团队通过2013年开发了AI算法，在眼科术中占Ai。

“我们建立了一个巨大的人工智能实验室用于图像分析。国家资助允许我们建立一个由国际计算机科学和视网膜成像专家组成的跨学科团队，他们开发了20多个经过验证的深度学习算法，用于识别和量化疾病生物标志物，”Schmidt-Erfurth说。

为了预测疾病进展和监测药理学干预的影响，设计了一种算法，用于全自动检测和定量intraretinal和Subretinal流体。

“无法可靠地识别，在OCT上可靠地识别，定位和量化液体导致注射率的可变性，通常导致患者。引进基于AI的算法可能允许世界各地的视网膜专家以快速，可靠和自动的方式检测，本地化和量化流体，从而储蓄更好的结果和保健。“

监督学习和非监督学习都用于生物标志物的搜索。在监督学习中，智能系统被指示寻找已知的生物标志物，如流体、萎缩或德鲁森。在无监督学习中，机器筛选大量数据集，识别通过观察看不到的、以前从未识别过的微小变化模式。

“这将使我们能够消除此前在生物标记物搜索方面的偏见，拓宽相关生物标记物的范围，并识别可能为视网膜疾病发病机制提供新线索的特征。”它还将有助于确定新的治疗靶点，这将指导我们的研究和新疗法的开发，”施密特-埃弗思说。

博士的检测

到2040年，将有大约6亿人患有糖尿病。糖尿病视网膜病变是视力丧失的主要原因，筛查糖尿病视网膜病变是广泛推荐的预防糖尿病相关视力损害的策略。DR的早期发现还提示早期教育和系统干预，以优化血糖和其他血管危险因素的控制，在进一步并发症的发展。然而，世界各地的许多DR筛查服务不断受到人力和资金方面的挑战。新加坡国立大学的研究人员利用深度学习和在世界范围内收集的横向训练和测试数据集，开发了一个名为SELENA的深度学习系统，用于检测糖尿病视网膜病变、青光眼可疑和AMD。

“自2016年以来，深度学习激发了医学成像领域的发展。它是一种非常强大的机器学习技术，克服了在图像识别、语音识别和自然语言处理方面许多技术上未满足的需求。SELENA基于近50万张视网膜图像数据集，在DR检测中具有良好的诊断性能，曲线下面积为0.93，灵敏度为91%，特异性为90%。这是一个多中心人工智能合作研究项目，全球有近30名联合研究人员参与。其次，它能够在更短的视网膜图像分级时间(2个月vs 2年)内检测任何DR、参考DR和[视力威胁]DR以及DR相关血管危险因素的患病率。”Ting说。

Selena的普遍性在新加坡，澳大利亚，美国，墨西哥，中国和香港等多个国家中展示，以及赞比亚的低收入中等收入的非洲人口。现在已获得新加坡卫生服务管理局批准，并获得欧洲CE标志作为博士，青光眼嫌疑人和AMD的基于眼底的视网膜筛查装置。Selena的技术整合现已完成，并在临床上进行了在2021年估算现实世界部署的运营流程。它还被列为新加坡的国家AI战略之一。

“在新加坡，我们从2018年开始将人工智能系统集成到新加坡糖尿病视网膜病变综合项目中。事实上，在一篇发表于柳叶刀数字健康，我们还表明，从健康经济的角度来看，人类智能和人工智能的结合产生了最好的结果。我们希望在未来3到5年内看到患者的结果。”

“除了基于眼底的筛查技术之外，该团队正在积极研究各种其他临床疾病（例如，近视，全身血管疾病），成像方式（例如，OCT，基因组学）和新颖的技术方法（例如，生成的对抗网络和可解释他说，增加培训和测试数据集的多样性以及AI算法的解释性，“他说。

ROP诊断和严重程度

自动图像分析和深度学习系统有潜力克服早产儿视网膜病变筛查的多重挑战，从而带来更好的、更有针对性的护理J. Peter Campbell，MD，MPH，俄勒冈州俄勒冈州助理大学助理教授（OHSU）。

“有很多婴儿需要进行筛查，从这个意义上说，ROP筛查是低效的，因为可能80%到90%的筛查婴儿不需要任何干预。这是一种压力检查，通常在新生儿重症监护室进行。婴儿的反应是心率和呼吸缓慢，需要仔细监测。它是通过间接眼科检查完成的，和60年前的方法一样，评估是主观的:临床医生在看同一个婴儿或婴儿的照片时，往往对他们所看到的东西不一致，”他说。

因此，不同的人可能会根据对疾病严重程度的主观感知，对相同疾病水平的婴儿进行不同的治疗。这可能导致对不需要治疗的婴儿治疗过度，对需要治疗的婴儿治疗不足，治疗过迟或没有对所有需要治疗的婴儿进行治疗，导致进一步的并发症，包括失明。

附加疾病是决定ROP治疗需要的最重要的临床特征，但主观偏见也影响附加疾病的诊断和测量。来自俄亥俄州立大学、哈佛大学、东北大学和伊利诺伊大学芝加哥分校的合作团队开发了一种深度学习系统，该系统将早产儿视网膜病变分为no +、pre- +和+三种类型。

“使用5,511个视网膜图像的数据集进行培训”深度卷积神经网络（CNN）。以前将每个图像分配了三个独立专家评级机构的基于图像的诊断和专家的临床诊断。坎贝尔说，该系统能够准确地将未经持续的数据分类为Plus，Prot或No Plus，或者始终如一，“Campbell表示。

AI也用于开发ROP严重性评分，从1到9中运行。该工具可以实现定量疾病监测和风险预测，可以帮助评估治疗响应和后治疗后复发，也可用于收集和比较流行病学数据。

预测青光眼早期进展

应用于检测临床视网膜细胞（DARC）的人工智能，一种追踪视网膜神经元细胞凋亡过程的成像方法，表明在18个月预测青光眼进展的能力。

“我们现在有一个用于预测青光眼进展的AI辅助生物标志物，具有潜在广泛的临床应用和研究在新药的测试中，”M. Francesca Cordeiro，MD，PHD，伦敦帝国学院的眼科主席和教授。

视网膜神经节细胞凋亡是青光眼的早期特征之一，DARC“打开了一扇窗”，从细胞水平了解由该疾病引发的退化过程。

“通过共聚焦扫描激光眼镜检查，注射荧光标记的膜蛋白v后，我们能够在青光眼早期阶段观察在生活眼中死亡的个体神经细胞，在任何视野发生变化之前，”Cordeiro说。

DARC的缺点是需要训练的观察者检测和手动计算单一的曝光视网膜细胞，以视网膜中的膜蛋白阳性荧光斑点出现。为了实现DARC的更快和客观测量，使用由五个训练观察者中的至少两个识别的候选DARC斑点训练和验证CNN辅助算法。当应用于青光眼患者队列时，它能够准确地衡量并测量10月前18个月的细胞损伤迹象。

“我们也能够建立一个精确的门槛价值，因为每一个在30岁以上的DARC计数的患者都在18个月后进展，”Cordeiro说。

这种强大的生物标记物可以加速神经保护药物的临床试验，这是一个充满希望的新领域，由于该病的进展缓慢，需要多年的随访来显示变化，从未适当探索。

“我们在神经保护方面一直缺乏的东西，是衡量人们对成功治疗反应有多快的好方法。现在，我们可以缩短研究时间，建立更小的概念试验，当我们证明了疗效后，再进行更大的试验，”她说。

从视网膜检测系统性疾病

人工智能支持的DARC现在被测试为一种快速检测由其他神经退行性疾病引起的细胞损伤的方法，包括AMD、多发性硬化症、帕金森病和痴呆。

“作为大脑的延伸，视网膜提供了一种从中研究神经系统的疾病的平台。在许多神经变性条件下，由于缺乏具有高敏感性和特异性的测试，早期诊断往往挑战。Cindeiro说，体内视网膜生物标志物是一种额外的诊断工具，可以避免使用脑扫描和其他侵入性测试。“

“最近新英格兰医学杂志，我们表明深度学习算法有效地检测可能是由于大脑中占据空间损伤的乳头膜。在另一个柳叶刀数字健康论文中，我们证明了利用深度学习筛选可参考的慢性肾脏疾病患者的可能性。这些都是一些非侵入性的基于人工智能的潜在替代方案，可以在资源紧张的环境下考虑，特别是在那些低收入和中等收入国家，”Ting说。

根据施密特-埃尔弗思的说法，视网膜分析在未来将在其他医学领域发挥重要作用，如内科、内分泌学和神经学。雷竞技竞猜下载

“即使是在一张简单的视网膜彩色照片中，算法也可以识别年龄、高血压，并以一种非侵入性、廉价的方式测量血糖水平。这里开启了一个全新的视野。自动化算法可被全科医生和非医疗专业人士(如验光师和验光师)用作分类和筛查工具。它可以帮助更早地发现疾病，并以可靠、有效和及时的方式组织专家转诊。”

从研究转移到临床实践

人工智能在医学领域的下一个挑战是将研究结果转化为实践。

“我们正在继续验证技术，同时寻求监管批准和临床实施的途径。FDA已分配突破状态，缩短了该过程，但仍有一些方法可以走。In the U.S., AI devices are treated as software medical devices, and you have to define the indications for use, the intended population, the precise camera and mechanism with which it will be used, who will be doing the interpretation and demonstrate that it works,” Campbell said.

“这是AI的早期。我们正在做的仍然是主要的学术水平。在我们的大学，我们已经开始在临床研究中使用流体量化工具来评估抗VEGF治疗如何在视觉结果方面进行优化，经济负担为患者的系统和治疗负担，“Schmidt-Erfurth表示。

根据Ting的情况，将基于AI的解决方案实现为临床环境挑战，并需要各利益相关者的一致努力，包括监管机构，保险，医院管理人员，IT团队，医生和患者。

“它还需要一个现实的商业模式，需要考虑报销，效率和改善临床表现随着时间的推移的能力，”他说。

数据共享，所有权的挑战

为了构建一个强大的深度学习系统，有两个主要组件非常重要：“字典”（数据集）和“大脑”（CNN）。来自不同中心的大量图像和数据共享是一种显而易见的方法，可以增加网络训练的输入数据量。

一个简单的类比就是，你读得越多，你就越聪明。需要注意的是，你需要阅读正确的书籍。因此，对于不同的疾病，基本的事实和数据集将需要强大和良好的表型。该网络的性能将取决于图像的数量、图像的质量以及数据在整个疾病谱系中的代表性，”Ting说。

数据共享还面临与个别国家的规定和隐私规则有关的障碍。

“虽然规定的目的是确保患者的隐私，但它们有时会对有效的研究计划和患者护理构成障碍。世界各地的人工智能研究团队应该继续合作，纠正这一障碍，旨在利用大数据和深度学习的力量，推进科学知识的发现，”他说。

数据所有权是另一个关键问题。

“在信息时代，数据是新的石油，但问题是:谁拥有数据?我们看到很多滥用来自大型IT项目，这些公司未经患者同意就购买数据。医生一直有责任保护病人的记录，现在应该由医学界来接管，并建立关于在医疗人工智能中如何处理病人个人数据的规则和条例，”施密特-埃弗斯说。

不是替代，而是支持

“创新始终存在于已建立的传统环境的中断。施密特 - 埃尔福尔斯说，我们已经在眼科中看到了这一点，因为我们是非常科技依赖的。“

OCT在20世纪90年代初被引入时，遇到了很多阻力，因为眼科医生对一种不需要直接观察患者眼睛的成像设备持怀疑态度。然而，OCT已经接管了诊断领域。

“我们正在采取下一个合乎逻辑的步骤，即利用OCT提供的广泛成像数据集来训练智能系统，以检测病理模式，测量疾病活动和治疗反应，比任何人都能做到的更精确。”这是医生可能会感到他们正在失去控制的第二次经历。这需要信任和新的心态。”

“我们需要呈现新的算法，并将医生可以作为决策支持，而不是作为自己的专家决策的替代品，”Schmidt-Erfurth表示。

但是，他说，深度学习的能力不应该被理解为能力。

“在明确的任务中提供哪些网络​​可以提供出色的性能。网络能够对博士进行分类并检测AMD的风险因素，但它们不是视网膜专家的替代品，“他说。

为提高深度学习系统的临床接受，重要的是解开深度学习的“黑匣子”性质。

“在过去5年里，深度学习在技术和医疗领域引发了大量炒作。虽然在医疗领域看到许多健壮的人工智能算法令人振奋，但更重要的是要了解其局限性和预期使用环境，以确保人工智能算法从实验室成功地转化到床边，”Ting说。

• 引用:
• 等。Curr Diab Rep。2019; DOI：10.1007 / S11892-019-1189-3。
• 等。柳叶刀数字健康。2019年,doi: 10.1016 / s2589 - 7500(19) 30004 - 4。
• Bolón-canedo v等人。计算机方法程序Biomed。2015年,doi: 10.1016 / j.cmpb.2015.06.004。
• 棕色JM等人。jama眼科莫。2018年,doi: 10.1001 / jamaophthalmol.2018.1934。
• Campbell JP等人。jama眼科莫。2016年,doi: 10.1001 / jamaophthalmol.2016.0611。
• Cheung Cy等人。亚太眼科杂志(Phila)。2019年; DOI：10.22608 / apo.201976。
• 李志刚，等。英国医学杂志。2020; DOI：10.1056 / NEJMOA1917130。
• 诺曼底Em，等专家Rev Mol Diagn。2020; DOI：10.1080 / 14737159.2020.1758067。
• Sabanayagam C等人。柳叶刀数字健康。2020; DOI：10.1016 / S2589-7500（20）30063-7。
• 徐志强，等。眼科。2018年,doi: 10.1016 / j.ophtha.2017.10.031。
• 邱晓东，等。眼科。2020年,doi: 10.1016 / j.ophtha.2020.03.010。
• 邱晓东，等。PROG RETIN EYE RES。2018; DOI：10.1016 / J.PRETEYERES.2018.07.004。
• Scruggs Ba等人。译音VIS SCI Technol。2020; DOI：10.1167 / TVST.9.2.5。
• 天P等人。Conf Proc IEEE Eng Med Biol Soc。2016; DOI：10.1109 / EMBC.2016.7590948。
• 丁大伟，等。Br J角膜切削。doi: 10.1136 / bjophthalmol 2019; 2018 - 313173。
• 丁大伟，等。《美国医学协会杂志》上。2017年,doi: 10.1001 / jama.2017.18152。
• 丁大伟，等。地中海NPJ数字。2019; DOI：10.1038 / s41746-019-0097-x。
• 丁大伟，等。PROG RETIN EYE RES。2019; DOI：10.1016 / J.PRETEYERES.2019.04.003。
• 丁大伟，等。柳叶刀数字健康。2020; doi: 10.1016 / s2589 - 7500(19) 30217 - 1。
• 谢勇，等。柳叶刀数字健康。2020; DOI：10.1016 / S2589-7500（20）30060-1。
• yap te等。细胞。2018年,doi: 10.3390 / cells7060060。
• yap te等。vith慢性病。2019; DOI：10.1177 / 2040622319882205。

• 更多信息:
• J. Peter Campbell，MD，MPH，可以在Casey Eye Institute，515 SW Campus Drive，Portland或97239抵达;电子邮件：Campbelp@ohsu.edu.。
• M. Francesca Cordeiro，MD，PHD，可在伦敦大学学院眼科研究所，Bath Street, London EC1V 9EL, UK;电子邮件：m.cordeiro@ucl.ac.uk。
• Ursula Schmidt-Erfurth，MD，PHD，可在医科大学维也纳，眼科，Waehringer Guertel 18-20，A-1090维也纳，奥地利州;电子邮件：ursula.schmidt-erfurth@meduniwien.ac.at。
• 舒伟，医学博士，博士，可达到杜克 - 南斯医学院，新加坡邮政编码8学院路169857;电子邮件：daniel.ting.s.w@singhealth.com.sg。

点击这里阅读此封面故事的点/计数器。