解放军总医院第三医学中心眼科学部吴星副主任医师为论文第一作者，解放军总医院第二医学中心健康医学科曾强教授、解放军总医院第三医学中心眼科学部王大江教授为论文共同通讯作者。

白内障基层早筛难开展

“眼底照片+AI”显优势

白内障是全球首位致盲性眼病。随着人口老龄化进程加快，白内障的发病率及绝对人数逐年升高。

早期诊断、及时手术可以有效治疗白内障，改善患者的视力和生活质量。然而，在中低收入国家的基层医疗机构，白内障直至发展到晚期甚至症状裸眼可见时才能被诊断。

与此同时，我国眼科医生仅4.48万，且存在眼科医疗资源分配不均的问题，在现有的三级医疗模式下，难以实现白内障的早期发现、及时转诊、及时治疗。

当前，裂隙灯相机图像由于其光学特征和易读性而广泛应用于白内障诊断，但是在偏远地区使用时仍有其局限性，例如设备不够便携、专业操作人员不足等。相比之下，眼底照片在其效率和可操作性上具有优势。

随着人工智能技术广泛应用于疾病诊断，一些研究开始聚焦于利用人工智能技术来进行白内障的自动检测。其中眼底照片与人工智能技术的结合，被视为在实际应用场景下更为可行的白内障自动检测方案。

创新提出“三分类标签”

性能提升约10%

该研究旨在通过应用人工智能技术识别眼底照片，构建快速、无创辅助诊断白内障的算法模型，从而助力白内障的大规模筛查工作。

考虑到在实际应用场景中，由于拍摄人员技巧不足或患者配合不当，常常存在眼底照片质量缺陷问题。同时，这些质量缺陷的照片因具有模糊的成像特征，很容易被误认为是白内障，这可能会降低白内障模型检测的性能。

质量缺陷照片容易被误认为白内障。图示眼底照片从左至右分别为：图像质量正常的非白内障、图像质量较差的非白内障、白内障。

因此眼科智能诊断系统，不同于以往研究仅选用质量达标的眼底照片进行模型构建，该研究研发并验证了一种抗干扰的眼底图像白内障人工智能诊断模型。

首先，利用质量识别模型生成与非白内障图像质量相关的伪标签，将原始二分类标签（白内障和非白内障）调整为三分类（白内障、图像质量正常的非白内障和图像质量较差的非白内障），用于指导模型区分白内障和图像质量较差的非白内障；再根据三分类标签提出了基于卷积神经网络的白内障分类模型。

基于卷积神经网络的白内障分类模型

在内部验证和外部测试中，该模型表现出稳健的性能，检测白内障人群的受试者工作特征曲线下面积（AUC）分别为91.84%、91.62%。这表明，研究人员提出的抗干扰模型可以在图像质量较差的干扰下，仍能实现高准确率眼科智能诊断系统，有助于大规模白内障筛查。

为了验证该抗干扰模型的鲁棒性，研究人员还设置了对照实验，采用原始二分类标签训练模型进行性能对比。 研究结果表明，与在原始二分类标签上训练的模型相比，该研究的抗干扰模型性能提高了10%左右。这也就表明，研究人员提出的白内障人工智能诊断模型，在真实应用环境下能够更加准确地筛查白内障人群。

内部验证和外部测试结果

在现有医疗模式下，应用人工智能模型辅助诊断白内障是缓解医疗资源匮乏、降低筛查成本的良好策略。该研究提出的抗干扰眼底图像白内障智能诊断模型，有助于早期筛查诊断、及时治疗白内障，提高患者的视力及生活质量。

参考资料：

解放军总医院. 【微医讯】人工智能助力白内障自动诊断取得重要进展