人工智能在眼底病中的应用（英文）

人工智能是对人类智能的模拟和拓展。基于深度学习的人工智能可以很好地利用图像的内在特征，如轮廓、框架等，来分析图像。研究人员通常利用图像来诊断眼底病，因此将人工智能应用于眼底检查是有意义的。在眼科领域，人工智能通过分析光学相干断层扫描图像、眼底照片和超宽视野图像，已经在检测多种眼底疾病上取得了类似医生的性能。它也已经被广泛应用于疾病进展预测。然而，人工智能在眼科的应用也存在一些潜在的挑战，黑盒问题是其中之一。研究人员致力于开发更多的可解释的深度学习系统，并确认其临床可行性。人工智能在最流行的眼底病中的最新应用、可能遇到的挑战以及未来的道路将一一阐述。     

人工智能大模型在眼科临床的应用

大模型是指使用海量通用数据预训练的模型。不同于人工智能模型通常只为特定任务开发, 其可通过微调完成各类相关任务, 具有广泛覆盖各种医学应用需求的潜力, 更加符合临床实践需求, 有望提高医疗效率和质量, 是新一代人工智能模型的研究热点。本文针对大模型的基本概念和现状、医学应用及其面临的挑战进行分析和总结, 为眼科临床医师了解医学大模型及其在眼科的潜在应用前景, 理性应用眼科大模型, 推动智能医学进入新阶段提供参考。     

人工智能技术溯源、医学应用及其在眼科前节疾病的应用现状与展望

近年来人工智能飞速发展,为许多领域带来技术上的革新。它在医学领域也表现出了极大的发展潜力,人工智能辅助下对某些疾病影像的判读与诊断,表现出出色的特异性和准确性可以媲美人类专家。而眼科是一门高度依赖影像学检查的学科,如眼底照相、光学相干断层扫描(OCT)、角膜地形图等都适合进行机器学习。因此,许多学者致力于人工智能在眼科领域应用的研究。目前,大多数研究都集中于视网膜疾病,而对眼前节疾病研究尚少,故笔者拟对人工智能在眼前节疾病中的应用现状进行综述。     

不同大型语言模型与不同水平医学专业人士回答眼科问题的对比研究

目的：评估3种不同的大型语言模型(LLM，包括GPT-3.5、GPT-4和PaLM2)在回答眼科专业问题中的表现并与3种不同水平的专业人群(医学本科生、医学硕士、主治医师)进行比较。

方法：分别对三种不同的LLM和3种不同水平的专业人群(包括了本科生9名，专业型研究生6名，主治医师3名)进行一项由100道眼科单项选择题组成的测试，问题涵盖了眼科基础知识、临床知识、眼科检查诊断方法以及眼病相关治疗手段。从平均得分、答题稳定性和答题自信心等方面综合评估LLM的性能并与人类组进行比较。

结果：在平均测试得分中，每个LLM都在总体上优于本科生(GPT-4：56分，GPT-3.5：42分，PaLM2：47分，本科生：40分)，其中GPT-3.5、PaLM2略低于硕士水平(硕士：51分)，而GPT-4则表现出与主治医师相当的水平(主治医师：62分)。另外，GPT-4表现出明显高于GPT-3.5和PaLM2的答题稳定性和答题自信心。

结论：以GPT-4为代表的LLM在眼科领域表现的较为出色，LLM模型可为临床医生和医学教育进行临床决策及教学辅助。     

人工智能在甲状腺相关性眼病中的应用指南(2023)

甲状腺相关性眼病(TAO)是一种与甲状腺功能障碍相关的复杂眼眶病,严重危害患者视功能、损害患者容貌外观和降低患者生活质量。TAO的诊断和管理复杂,近几年,基于人工智能(AI)算法的医疗应用已经被开发,这些应用已被证明在筛查许多慢性眼病方面是有效的。自动化AI设备的先进特性,如快速性、便携性和多平台兼容性,使得临床上对这些疾病的早期诊断和详细评估取得了重大进展。本文就AI在TAO临床诊断、活动度评价和严重程度分级以及治疗结果预测等方面的应用形成共识,为AI在TAO中的进一步研究和应用提供参考。     

人工智能在白内障诊断和分级中的应用

人工智能(artificial intelligence,AI)在白内障检测和分级中有较多应用,目前主要有基于裂隙灯照片和彩色眼底照片两种白内障检测和分级方法.同时,多种算法模型可获取白内障患者的晶状体特征,以得到更加准确的诊断和分级结果,如支持向量机回归模型、组稀疏回归模型、卷积-递归神经网络模型、深度卷积神经网络模...     

TGF-β参与黄斑前膜形成的研究进展

黄斑前膜(ERM)是一种以发生于视网膜内表面的纤维细胞膜为特征的视网膜疾病。现有的临床指南及文献资料对ERM的诊断与治疗已基本达成共识，但对其机制的阐述仍众说纷纭。转化生长因子-β(TGF-β)是一种高度多效性的细胞因子，在伤口愈合、血管生成、免疫调节、癌症、炎症及纤维化疾病中起着重要作用，越来越多的研究表明，ERM是玻璃体后脱离(PVD)引起视网膜发生炎性损伤以及视网膜色素上皮层细胞等细胞经历上皮间质转化(EMT)所致纤维化的一类病理改变，而多种细胞因子通过参与非经典的TGF-β-Snail途径与经典的TGF-β-Smad途径调控TGF-β介导的EMT进程。目前已有部分针对上述途径相关细胞因子的药物进入研发阶段，对提供ERM临床治疗及预防新思路具有重要意义。本文就TGF-β在ERM形成中相关细胞因子的研究进展作一综述。     

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。     

糖尿病大鼠模型视网膜中血管内皮生长因子和色素上皮衍生因子mRNA的动态变化及意义

糖尿病视网膜病变（DR）是糖尿病最严重的并发症之一。目前对其发病机制尚不十分清楚。在正常的眼部组织中，血管生成的自稳态是由两种因素所维持的，一种是血管生成刺激因子，如血管内皮生长因子（VEGF），另一种是血管生成抑制因子，如色素上皮衍生因子（PEDF）。在病理状态下，血管生成刺激因子和血管生成抑制因子的表达失衡导致了DR的发生、发展。目前国内尚无有关PEDF应用于眼科相关领域的报道。为此，我们通过用链脲霉素（STZ）诱导的糖尿病大鼠模型，用视网膜消化铺片法观察微血管变化．原位杂交技术检测PEDF mRNA在大鼠模型中的表达，并与VEGF mRNA表达相比较，探讨VEGF和PEDF mRNA表达在DR发生、发展中的作用及意义。     

应用人工智能识别超广角眼底照相多病种的初步研究

目的构建一个小样本超广角眼底照相(UWFI)多疾病分类人工智能模型, 初步探究人工智能对UWFI多病种分类任务的能力。方法回顾性研究。2016年至2021年于武汉大学人民医院眼科就诊并行UWFI检查的1 123例患者的1 608张图像用于UWFI多疾病分类人工智能模型构建。其中, 糖尿病视网膜病变(DR)、视网膜静脉阻塞(RVO)、病理性近视(PM)、视网膜脱离(RD)、正常眼底图像分别为320、330、319、268、371张。来自天津医科大学眼科医院106例患者的135张图像作为外部测试集。选取EfficientNet-B7作为主干网络, 对纳入的UWFI图像进行分类分析。使用受试者工作特征曲线及曲线下面积(AUC)、灵敏度、特异性、准确率评估分类模型在测试集上的表现, 所有数据均使用数值及95%可信区间(CI)表达。将数据集在网络模型ResNet50、ResNet101上进行训练, 并在外部测试集上进行测试, 对比观察EfficientNet与上述两种模型的性能。结果 UWFI多疾病分类人工智能模型在内部、外部测试集上的总分类准确率分别为92.57% (95%CI 91.13%～...     

Assessing the utility of ChatGPT as an artificial intelligence-based large language model for information to answer questions on myopia

Purpose

ChatGPT is an artificial intelligence language model, which uses natural language processing to simulate human conversation. It has seen a wide range of applications including healthcare education, research and clinical practice. This study evaluated the accuracy of ChatGPT in providing accurate and quality information to answer questions on myopia.

Methods

A series of 11 questions (nine categories of general summary, cause, symptom, onset, prevention, complication, natural history, treatment and prognosis) were generated for this cross-sectional study. Each question was entered five times into fresh ChatGPT sessions (free from influence of prior questions). The responses were evaluated by a five-member team of optometry teaching and research staff. The evaluators individually rated the accuracy and quality of responses on a Likert scale, where a higher score indicated greater quality of information (1: very poor; 2: poor; 3: acceptable; 4: good; 5: very good). Median scores for each question were estimated and compared between evaluators. Agreement between the five evaluators and the reliability statistics of the questions were estimated.

Results

Of the 11 questions on myopia, ChatGPT provided good quality information (median scores: 4.0) for 10 questions and acceptable responses (median scores: 3.0) for one question. Out of 275 responses in total, 66 (24%) were rated very good, 134 (49%) were rated good, whereas 60 (22%) were rated acceptable, 10 (3.6%) were rated poor and 5 (1.8%) were rated very poor. Cronbach's α of 0.807 indicated good level of agreement between test items. Evaluators' ratings demonstrated ‘slight agreement’ (Fleiss's κ, 0.005) with a significant difference in scoring among the evaluators (Kruskal–Wallis test, p < 0.001).

Conclusion

Overall, ChatGPT generated good quality information to answer questions on myopia. Although ChatGPT shows great potential in rapidly providing information on myopia, the presence of inaccurate responses demonstrates that further evaluation and awareness concerning its limitations are crucial to avoid potential misinterpretation.     

Integrando la Inteligencia Artificial y los nuevos modelos de lenguaje en Oftalmología: Complicaciones del uso del aceite de silicona en cirugía vítreo-retiniana

Artificial intelligence (AI) is an emerging technology that facilitates everyday tasks and automates tasks in various fields such as medicine. However, the emergence of a language model in academia has generated a lot of interest. This paper evaluates the potential of ChatGPT, a language model developed by OpenAI, and DALL-E 2, an image generator, in the writing of scientific articles in ophthalmology. The selected topic is the complications of the use of silicone oil in vitreoretinal surgery. ChatGPT was used to generate an abstract and a structured article, suggestions for a title and bibliographical references.In conclusion, despite the knowledge demonstrated by this tool, the scientific accuracy and reliability on specific topics is insufficient for the automatic generation of scientifically rigorous articles. In addition, scientists should be aware of the possible ethical and legal implications of these tools.     

预测模型在儿童青少年近视防控中的应用进展

在医学研究中,预测模型已被广泛用于预测疾病进展和提前确定高危人群,特别是在慢性疾病的预防和诊断方面。在眼科,年龄相关性黄斑变性、糖尿病视网膜病变等眼底疾病的预测及诊断模型已经证明了专家水平的准确性。但在近视防控领域,预测模型的应用还处在探索阶段,其建立有助于提前发现近视高危人群,以便及时采取足够的户外活动、减少近距离工作等预防措施,对预防或减缓近视发生发展进程具有重要意义。由于近视发生发展的机制尚未完全阐明,预测模型应用对象、预测因子及预测结局的选择尚存在挑战和限制。本文将就不同类型近视预测模型的研究和应用进展予以综述,以期为其进一步开发和完善提供参考。     

人工智能技术在视网膜母细胞瘤中的应用现状

视网膜母细胞瘤是一种常见于儿童的眼部恶性肿瘤,是威胁儿童视力和生命的主要原因之一。视网膜母细胞瘤的诊断和评估一直是临床的热点问题。在过去的几年,人工智能(AI)技术的应用在医学领域取得了显著进展,为视网膜母细胞瘤的诊断和治疗提供了新的机会和挑战,如利用AI算法分析海量临床数据,可以帮助医生更准确地诊断疾病,提供个性化的治疗方案。此外,AI技术还在医学图像分析、基因组学研究等多方面发挥重要作用,可以助力新药开发、改善患者预后。本文结合近年研究情况,综述AI在视网膜母细胞瘤中的应用进展。     

人工智能在白内障诊疗中的应用进展

人工智能(artificial intelligence,AI)在眼科领域的应用不断深入、拓展,目前在糖尿病性视网膜病变、白内障、青光眼以及早产儿视网膜病变在内的多种常见眼病的诊疗中逐渐成为研究热点.AI使医疗资源短缺、诊断标准缺乏、诊疗技术水平低下的现状得到改善,为白内障的诊疗开辟了一条"新赛道".本文旨在综述AI在...     

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.     

Individual differences in crowding predict visual search performance

Visual search is an integral part of human behavior and has proven important to understanding mechanisms of perception, attention, memory, and oculomotor control. Thus far, the dominant theoretical framework posits that search is mainly limited by covert attentional mechanisms, comprising a central bottleneck in visual processing. A different class of theories seeks the cause in the inherent limitations of peripheral vision, with search being constrained by what is known as the functional viewing field (FVF). One of the major factors limiting peripheral vision, and thus the FVF, is crowding. We adopted an individual differences approach to test the prediction from FVF theories that visual search performance is determined by the efficacy of peripheral vision, in particular crowding. Forty-four participants were assessed with regard to their sensitivity to crowding (as measured by critical spacing) and their search efficiency (as indicated by manual responses and eye movements). This revealed substantial correlations between the two tasks, as stronger susceptibility to crowding was predictive of slower search, more eye movements, and longer fixation durations. Our results support FVF theories in showing that peripheral vision is an important determinant of visual search efficiency.     

人工智能在干眼诊断中的研究进展

干眼(dry eye, DE)是世界范围内最常见的眼科疾病之一,患病率在5%～50%。由于病因复杂且诊断的相应设备有限,干眼尚不能得到及时、精准的诊断。近年来,随着人工智能(artificial intelligence,AI)在医学领域的广泛应用,利用机器学习和深度学习辅助检查干眼也得到了深入研究,如干涉测量、裂隙灯检查和睑板腺图像的分类和评估等。研究发现人工智能能够对干眼患者的测量数据和图像进行准确分析,灵敏度和特异度均可达90%以上。人工智能将在辅助临床医生客观诊断干眼、改善干眼患者生活质量方面具有巨大潜力。在这篇综述中,我们总结了人工智能在干眼领域的应用现状以及应用中潜在的挑战,展望了人工智能辅助诊断干眼的前景。     

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。