羊膜在眼科临床应用中的研究新进展

随着羊膜移植在眼科临床,特别是在治疗眼表疾病中应用的成功报道,羊膜在眼科领域应用的基础研究也进一步受到关注。本文就羊膜的组织学、免疫学、生物学特性及其在眼科领域的临床应用进行综述。     

羊膜在眼科领域应用的基础及临床研究进展

随着羊膜移植在眼科临床 ,特别是在治疗眼表疾病中应用的成功报道 ,羊膜在眼科领域应用的基础研究也进一步受到关注。本文就羊膜的组织学、免疫学、生物学特性及其在眼科领域的临床应用进行综述。     

人工智能在视光学领域中的研究进展

近年来,随着计算机科学技术的不断提高,以深度学习(DL)为基础的人工智能(AI)技术得到了飞速的发展,引起了全球的广泛关注。AI在医学领域的研究和应用已经取得了很大的进展,在眼科视光学领域,AI可对近视、斜视、弱视等疾病进行辅助诊断; 在圆锥角膜的筛查和早期诊断以及近视的预防和矫正中取得了良好的结果。尽管如此,AI在眼科的应用也存在巨大的限制和挑战,包括临床和技术挑战、算法结果的可解释性、医学法律问题等。本文综述了AI在眼科视光学领域诊疗中的应用、局限性及展望。     

第七届全国角膜病及眼表疾病学术会议征文

由中华医学会中华眼科学分会角膜病学组协办及中华医学会中华眼科杂志主办的“第七届全国角膜病及眼表疾病学术会议”定于 2 0 0 3年 5月下旬在云南省昆明市召开 ,届时将邀请我国从事角膜和眼表疾病基础及临床研究的知名专家和学科带头人进行专题讲座 ,欢迎全国眼科医师踊跃报名参加。讲座内容 :(1)眼表疾病的分类、诊断及治疗 ;(2 )感染性角膜病的临床研究进展 ;(3)免疫性角膜病变的处理原则 ;(4)角膜病及眼表疾病的临床及应用基础研究方法 ;(5 )角膜病诊断及治疗的基因及组织工程技术 ;(6 )角膜病及眼表疾病治疗的药物研究进展 ;(7)角膜病…     

提高我国常见眼表疾病的诊断与治疗水平

眼表疾病是概指损伤眼表结构及功能的疾病,是最常见的眼科疾病。临床上常见眼表疾病主要包括：眼表(角膜和结膜)的感染性炎症(如细菌、病毒、衣原体感染)、干眼、过敏性角结膜炎及眼表面外伤等,均是眼科门诊中最常见疾病。各种眼表面、前段及后段手术引起的眼表面损伤也成为常见的眼表疾病。近年来,由于重视眼表疾病的临床和基础研究,特别是新技术和新方法的临床应用,眼科医师普遍提高了对眼表疾病的诊断和治疗水平。然而,目前我国开展眼表疾病的整体研究水平参差不齐、尚待提高,需要普及眼表疾病的概念和知识,提高眼科医师的诊断和治疗水平。     

羊膜在眼科领域应用的基础及临床研究进展

随着羊膜移植在眼科临床，特别是治疗眼表疾病中应用的成功报道，羊膜在眼科领域应用的基础研究也进一步受到关注。本就羊膜的组织学、免疫学、生物学特性及其在眼科领域的临床应用进行综述。     

眼表疾病研究进展

眼表疾病是常见的眼科疾病，可以引起视觉障碍。眼表疾病的研究是近年来眼科界发展较快、成果较多的领域之一。本文对近年来眼表疾病研究的新进展进行综述。     

人工智能在眼整形外科中的应用

计算机的进步和数据的爆发使得人类迎来了第三次人工智能(AI)浪潮。AI是一门综合性的交叉学科，是汇集新思想、新理论、新技术等的新兴学科。AI给眼科学带来了便利，也推动了眼科学的智能化、精准化和微创化发展。现阶段，AI已经在眼科学多个领域中都得到了广泛的应用，尤其在眼整形外科领域中，AI在图像检测、面部识别等方面取得了快速进展，其性能及准确度在某些方面甚至已经超越了人类。本文综述了AI在上睑下垂、单睑、眼袋、眼睑肿物及眼球突出等眼整形外科中的相关研究和应用，探讨了当前AI在眼整形外科临床应用中面临的挑战与机遇，并对其未来发展前景进行展望，旨在为眼整形外科AI的发展提供新思路。     

人眼表微生物群与眼表疾病研究进展

眼表微生物群是人体眼表微环境的一部分，在维持其稳定中占据重要作用。许多研究对于健康与疾病状态下眼表微生物群的组成进行探究，但研究结果基于内外因素的不同而存在差异，且微生物失调与疾病之间的关系也尚未明确。近年来，随着肠道微生物与全身性疾病的研究不断深入，眼科研究者们也从中获得了一些启发，对眼表微生物群与眼表非感染性疾病的关系有了更进一步的探讨。本文将对正常眼表核心微生物群、眼部及全身性疾病眼表微生物群的变化进行综述，并讨论微生物失调引起疾病的可能机制，希望对未来眼表微生物群的进一步研究提供参考依据。     

AI深度学习在年龄相关性黄斑变性辅助诊断中的应用

自从人工智能(AI)技术出现后,其在各个领域被越来越多地应用并得到了快速的发展。在医学领域中,借助AI技术可自动提取图像特征并完成特征学习和分类的性能。在眼底病领域,AI可通过分析和识别眼底的照相和光学相干断层扫描从而对年龄相关性黄斑变性做出诊断,准确率可跟眼科专家相似。在未来AI可辅助医生对年龄相关性黄斑变性做出诊断,帮助基础医院进行筛查,在疾病的早期遏制其进展。但此技术存在模型识别性能不确定、运算过程不透明、需要的临床数据量过大等问题仍不能被广泛应用于临床。近年来国内在AI深度学习技术应用于眼科疾病辅助诊断方面进行了大量的研究,结果显示AI结合影像分析眼科疾病具有客观性、高效性和准确性等特点。本文针对深度学习在年龄相关性黄斑变性的辅助诊断中的研究进行综述,分析其应用进展和存在的局限性,为AI在此病的进一步应用及推广提供更多信息。     

眼科人工智能研究存在的主要问题及对策

人工智能(artificial intelligence,AI)技术与医学的结合是当前趋势,眼科学因丰富的影像资料成为研究热点。目前,关于糖尿病视网膜病变、年龄相关性黄斑变性及青光眼等常见致盲眼病已有较多AI研究,相关成果已逐步应用于临床实践,但同时面临许多挑战。就眼科及整个医疗领域而言,AI研究存在研究流程不规范、透明性及可重复性缺乏、结果报告不标准等问题,降低了AI研究的质量以及不同研究间的可比性,减缓了AI产品临床应用进程。本文概述眼部疾病AI研究现状及现存主要问题,并简要介绍当前医疗领域AI研究需遵循的标准和规范,旨在进一步规范眼科领域AI研究,促进AI技术与眼科高效结合及有效应用。     

人工智能在眼前节疾病诊断中的应用指南(2023)

本文旨在深入探讨人工智能(artificial intelligence,AI)在眼科眼前节疾病诊断中的应用指南。由于眼前节疾病研究所涉及的图像较为复杂多变,AI既往在眼科主要应用于眼后段疾病,但随着AI技术的提升,尤其是机器学习和深度学习的发展,再加上眼前节电子影像数据的指数级增长,AI在角膜、结膜、晶状体和眼睑疾病领域的应用成为现实。中国医药教育协会眼科影像与智能医疗分会和国际转化医学会眼科专业委员会组织专家们结合近年来国内外AI在眼前节疾病诊断中的最新进展,包括在角膜、结膜、晶状体和眼睑疾病的应用,并分析当前面临的挑战和未来的发展方向,经过多轮讨论和修改,形成了该指南,旨在辅助眼科临床医生更好地应用AI进行眼前节疾病的诊断决策及临床研究。     

Research progress in artificial intelligence assisted diabetic retinopathy diagnosis

Diabetic retinopathy (DR) is one of the most common retinal vascular diseases and one of the main causes of blindness worldwide. Early detection and treatment can effectively delay vision decline and even blindness in patients with DR. In recent years, artificial intelligence (AI) models constructed by machine learning and deep learning (DL) algorithms have been widely used in ophthalmology research, especially in diagnosing and treating ophthalmic diseases, particularly DR. Regarding DR, AI has mainly been used in its diagnosis, grading, and lesion recognition and segmentation, and good research and application results have been achieved. This study summarizes the research progress in AI models based on machine learning and DL algorithms for DR diagnosis and discusses some limitations and challenges in AI research.     

把握挑战和机遇:人工智能与眼科诊疗

随着人工智能(AI)技术特别是深度学习的快速发展,AI在眼科领域的研究呈现出病种多样化、场景广泛化和研究深入化的趋势。AI在糖尿病视网膜病变、老年性黄斑变性、青光眼等眼科疾病的研究中表现出良好的性能,展现出眼科AI的巨大潜力。然而,目前多数研究尚处于初级阶段,眼科AI的运用仍面临结果可解释性欠缺、数据标准化缺乏和临床适用性不足等诸多挑战。同时也应看到,多模式影像学的发展、5G和物联网等数字技术和远程医疗的创新,以及视网膜状态能反映全身疾病的新发现都给眼科AI的发展带来了新的机遇。了解AI在眼科领域的研究现状,把握发展过程中的新挑战和新机遇,成功实现眼科AI从研究到实际运用的转化。     

人工智能在眼部疾病中的应用及其挑战

随着人工智能技术的发展和普及,医学领域也出现了越来越多人工智能(AI)的身影。人工神经网络等新技术与临床的结合正成为研究热点,其中卷积神经网络(CNN)的深度学习算法在图像识别领域取得了巨大的成就,逐渐被用于糖尿病视网膜病变(DR)、年龄相关性黄斑变性(ARMD)、早产儿视网膜病变(ROP)、青光眼和白内障等多种眼科疾病的诊断和筛查中。目前针对不同眼科疾病,世界范围已有多个公开数据库,包括了眼底彩照、光学相干断层扫描(OCT)等多种图像资料,为眼科领域深度学习算法的训练和构建奠定了基础。同时算法本身也在不断优化,使相关AI产品的构建朝着更简便高效的方向发展,同时其临床运用也面临医学伦理和准入标准的问题。总之,深度学习算法的使用为几种常见眼科疾病的筛查诊断带来了巨大的改变也带来挑战,目前尚未大规模的投入临床应用中。本文针对人工智能在眼部疾病中的应用进展做综述,旨在总结这一领域的研究现状和现存问题,并提出对未来的展望。     

人工智能在青光眼诊断中的研究进展

近年来，随着以深度学习（DL）为代表的人工智能（AI）技术发展，为眼科领域带来了新的研究手段，提高了眼科疾病的筛查和诊断水平。目前，AI对糖尿病视网膜病变、白内障、早产儿视网膜病变、角膜炎等多种疾病的诊断效率较高。在青光眼方面，AI可用于分析眼底彩色照相、光学相干断层扫描（OCT）、视野等多模态影像综合评估结构及功能改变，从而提高青光眼的诊断水平。本文主要对AI在青光眼诊断中的研究进展进行综述，探讨其优势和现阶段的局限性。     

人工智能在干眼临床诊断中的应用专家共识（2023）

干眼作为一种常见的眼科疾病，患病率高，涉及人群广。随着人工智能(AI)计算机图像技术的兴起、算法模型的改进和医学大数据的海量增长，技术，包括以深度学习(DL)为热门技术的机器学习(ML)技术在医疗领域获得了广泛的应用。AI系统具有先进的问题求解能力和稳定的可重复性，因此，医学领域使用此类技术可以帮助临床医生作出更加客观的诊断。AI在医学上应用取得的成功主要是基于ML这一分支领域的广泛应用，ML技术主要被用来分析患者数据和医学图像中的关键特征，以辅助疾病诊断、严重程度分级和预后判断。AI在眼科学领域的应用已取得显著进展。本文就AI、ML和DL在干眼诊断中的临床应用形成共识，为AI在干眼中的进一步研究和应用提供参考。     

人工智能在视网膜疾病中的应用

视网膜疾病是眼科学领域最具研究挑战的病种之一,其发病机制复杂,对视功能损伤很大,是人类视力严重丧失的主要原因。近年来人工智能(artificial intelligence,AI)的发展和应用为视网膜疾病的解析提供了强有力工具。人工智能对常见视网膜疾病的应用主要包括早期筛查、诊断分级、疗效判定、治疗建议及预后发展等。但是任何技术的临床应用都有其局限性。本文将对AI在糖尿病视网膜病变(DR)、年龄相关性黄斑变性(ARMD)、早产儿视网膜病变(ROP)、青光眼性眼底改变(GON)等视网膜疾病中的应用和局限性进行综述。     

眼科人工智能临床研究评价指南(2023)

人工智能(AI)技术在医学领域的应用是当前的热点。眼科作为医学领域中的AI应用前沿专业之一,运用机器学习技术应用于诊断、干预和预测眼科疾病方面取得了显著的成果。基于眼科AI临床研究的需求,为契合眼科AI临床诊疗发展的实际情况,中国医药教育协会眼科影像与智能医疗分会和智能医学专业委员会组织专家结合近年来国内外AI临床研究的评价报告,经过多轮讨论和修改,形成了针对眼科AI临床研究的评价指南。该指南包括了眼科AI临床研究评价指南制定的背景和方法、AI临床研究评价的国际指南介绍、眼科AI临床研究评价方法等内容,详细介绍了眼科AI临床研究通用评价方法、眼科AI临床研究模型评价方法、常用眼科AI临床研究模型评价指标和计算公式,并详细阐述了眼科AI临床试验评价方法。该指南的制定旨在为眼科AI临床研究人员提供指导和规范,并推动眼科AI临床研究的评价向着规范化和标准化方向发展,进一步提高眼科AI临床研究评价的整体水平。     

人工智能在眼前段疾病诊治中的应用

近年来,人工智能(AI)的蓬勃发展促进了其在医疗保健领域的推广与应用,同时也促进了医疗保健技术的革新与进步,尤其是在图像识别领域发挥出了无可替代的作用。眼科疾病的诊断十分依赖图像识别,AI在眼前段疾病的诊治方面取得了令人瞩目的成果,如感染性角膜炎的分类、圆锥角膜的筛查、晶状体混浊程度的分级、白内障手术视频的自动分期、白内障术后屈光状态的预测、闭角型青光眼的诊断等。AI有望帮助解决目前临床存在的诸多难题,实现对疾病的早期诊治,但也存在着黑箱过程难以解释、缺少公共数据集、算法过于复杂等问题。本文概述了AI在眼前段疾病中的应用现状,分析目前存在的不足以及未来的发展前景。