视网膜成像测试为训练和测试决策支持系统提供了材料。
眼科学是医学人工智能（artificial intelligence，AI）领域的创新者，对影像学的依赖性很强。
尽管患者和医疗保健专业人员的机会很大，但全面整合AI的困难仍然存在，包括经济、道德和数据隐私问题。
深度学习
据英国伦敦Moorfields眼科医院视网膜专家、眼科阅读中心和人工智能分析中心主任Konstantinos Balaskas博士介绍，人工智能是一个广义的术语。
他说：“近年来，人工智能引起了很多人的兴趣，这种人工智能被称为‘深度学习’。这是软件程序通过处理大量数据来学习执行某些任务的过程。”
深度学习使眼科成为在医学中实施人工智能领域的先驱，因为我们可以越来越多地依赖成像测试来监测患者的病情。
Balaskas指出：“特别是在我感兴趣的医学视网膜亚专业，像光学相干断层扫描（OCT）这样的成像测试非常频繁，为训练、测试和应用人工智能决策支持系统提供了素材。”
在视网膜方面，西方世界中一些最常见的视力丧失原因——年龄相关性黄斑变性（AMD）和糖尿病性视网膜病变（DR）——需要早期发现、及早治疗和定期监测以保护视力。
Balaskas说，这是人工智能决策支持系统可以帮助改善获得治疗的机会，并确保患者获得最好的临床效果。
Balaskas 引用了他所在的 Moorfields 眼科医院和 Google DeepMind 合作开发的AI决策支持系统。
他说：“它能够读取OCT扫描，解释其结果，提供诊断并提出管理建议。”“人工智能显示出具有前景的另一个领域是，通过能够预测对治疗的反应和在一段时间内的视觉结果，为患者制定个性化的治疗计划。”
支持工具
Balaskas表示：“当考虑到AMD 和DR等威胁视力的常见眼病时，人工智能决策支持工具一旦经过验证并获得监管部门的批准，医疗设备就可以帮助改善获得治疗的机会。”
“例如，他们可以帮助社区的卫生工作者早期诊断疾病，”他解释说。在英国，OCT扫描在商业街的眼镜店中广泛使用，人工智能工具对于帮助他们正确解释扫描并在早期识别疾病特别有用。”
同样，在DR患者中，需要定期筛查和监测，人工智能工具可以显著提高筛查程序的效率。
Balaskas指出，此类应用程序已经存在，尤其适用于DR的筛查项目，例如在资源不足的医疗机构。
“人工智能监控应用的其他指标，如AMD，正处于开发的高级阶段，但尚未在现实生活中实施，”他补充道。
Balaskas指出，将人工智能整合到视网膜诊断和治疗中还存在挑战。
他指出，他个人对应用科学感兴趣，尤其着眼于开发医疗设备（例如AI决策支持工具）和在临床实践中部署医疗设备之间的差距。
“我们需要克服的潜在障碍是，要以一种有意义的方式利用该工具，以改善患者的诊疗效果，不仅需要测试和验证，”他说这些包括经济评估：这样一个自动化的决策支持模型将如何影响医疗系统的财务状况，从而提供良好的性价比或实现成本节约？”
人为因素
接下来要考虑的因素是人为因素，特别是这些依赖人工智能的医疗模式如何被患者和医务人员感知和接受。
对这些技术的信任程度如何？需要对患者和公众进行何种程度的信息和教育才能建立对其使用的信心？此外，还需要考虑支持这些工具的培训和技术基础设施。
Balaskas 指出，道德和数据隐私问题以及法学方面的考虑也很重要。谁负责由人工智能算法而不是人类做出的决策？这些工具如何影响医疗保健专业人员诊断和治疗疾病的方式？
“有一种现象叫做自动化偏见，医务人员有时更倾向于听从人工智能工具的建议——甚至可能违背他们更好的判断，”他说。
可解释性
Balaskas指出了可解释性问题——在许多情况下，这些AI工具的功能不透明。
他指出：“我们不完全了解具体建议是如何达成的，无论是诊断还是管理建议，缺乏透明度会加剧前面提到的医疗、法律和道德问题。”总之，我们发现，在人工智能工具能够以安全的方式应用到现实生活中并改善临床诊疗效果之前，还需要克服几个障碍。”
此外，Balaskas表示，未来眼科医生的生活可能会发生变化，但他对医疗实践中的AI抱有乐观的看法。
“我们的领域变得越来越复杂，我们在评估患者时需要处理来自各种来源的数据：来自多种成像方式的数据、遗传数据和各种类型的组学，例如蛋白质组学和新兴的眼组学领域，其中眼科检查的特征可以提示全身健康问题，”他说。
Balaskas 还指出，来自家庭视觉监控设备的数据将变得越来越可用。
然而，Balaskas表示，理解所有这些数据以便为每个患者制定个性化的治疗计划可能令人生畏。
“人工智能可以成为一种非常有用的辅助手段，如英国健康教育署委托的人工智能Topol评论中所述，通过处理高维复杂数据源，为患者和医务人员提供时间礼物（高效），让他们有机会共同讨论和决定最佳治疗方案是什么，”他总结道。
张明明博士摘译自《Ophthalmology Times》
