冯媛媛 综述 王婷，肖钧，刘臻臻，项毅帆，林浩添 审校

(1.中山大学医学院，广东 深圳 518107；2.中山大学中山眼科中心，眼科学国家重点实验室，广东省眼科视觉科学重点实验室，广州 510060)

白内障目前已成为全球第1位致盲性眼病，是造成可逆性视力障碍和失明的主要原因[1]。据估计，全世界有9 500万人受到白内障的影响[2]；且在世界范围内，每年新增白内障致盲人数为40万[3]；2020年，全球约有1 520万50岁及以上因白内障而致盲的人群[4]。随着中国老龄化进程的加速，白内障发病率也在逐年上升。因此，实现白内障的早诊断早治疗尤为重要。目前，白内障主要依靠手术治疗。白内障手术的发展经历了针拨术、白内障囊内摘除术[5](intracapsular cataract extraction，ICCE)、囊外摘除术、超声乳化手术、飞秒激光辅助手术等过程[6]，其中，现阶段应用最广泛、疗效最佳的方法为超声乳化白内障摘除手术。近年，人工智能(artificial intelligence，AI)在超声乳化手术中的应用比例逐步增高，多项研究结果已证实了二者结合可有效改善白内障的治疗现状，如在白内障手术的术前管理、术中治疗、术后随访及并发症预测、教学示范和指导中，AI都起到了重要作用，使手术效果得到保障，眼科医生自身的技术得以提高，为白内障的手术方法、教学方式都提供了新的思路和方向。因此，本文将进一步梳理AI在白内障手术治疗和教学中的应用，并对其未来的发展做出建议和展望。

1 AI 在白内障手术术前的应用

1.1 AI 与白内障手术术前诊断

白内障的早期诊断和及时管理对于改善患者的生活质量和减轻其医疗负担至关重要。2019年，Wu等[7]建立并验证了一个AI医疗影像诊断平台，用于临床情景多层次白内障协同管理，以提高协作效率和医疗资源覆盖率。该AI平台的工作步骤如下：在步骤1中，裂隙灯照片被分为4个单独的捕获模式：散瞳、弥散光照片，散瞳、裂隙光照片，正常瞳孔、弥散光照片和正常瞳孔、裂隙光照片；在步骤2中，识别每张照片为正常晶状体，白内障或术后眼睛；在步骤3中，识别白内障严重程度，并对每张诊断出的照片进行分类，以便进一步确定转诊或随访的策略。结果显示：该AI平台和多级协作模式在以下3步任务中都具有强大的诊断性能：捕获模式识别中，曲线下面积(area under curve，AUC)达到99.28%～99.71%；白内障诊断(正常晶状体，白内障或术后眼)中，散瞳裂隙灯模式的AUC分别为99.82%、99.96%和99.93%，其他捕获模式的AUC大于99%；检测到白内障，在所有测试中AUC均大于91%。在三级转诊模式中，建议“转诊”的患者占比为30.3%，与传统模式相比，医患服务人数比例提高了10.2倍。通过此平台，患者和医院之间建立了一种更高效的协作模式，惠及了医患双方。

1.2 AI 与白内障术前分级

2019年，Zhang等[8]提出了新的白内障分级方法，该方法基于眼底图像将白内障分为六级，其核心在于深度学习。训练模型的步骤主要为：从残差网络(ResNet18)中提取高级特征，从灰度共生矩阵(gray-level co-occurrence matrix，GLCM)中提取纹理特征，将二者结合形成一个框架，使用支持向量机分类器和全连接神经网络作为输出和分类结果，用堆叠策略进行多模型训练，从而实现对白内障的分级。该方法的平均准确率达92.66%，其中最高达93.33%。虽然该方法对于轻度白内障的诊断不够准确，且眼底图像数量有限，研究团队只能获取较为的模糊血管图像，但对于缩小诊断范围、提高诊断效率仍有十分重要的意义。

1.3 AI 与白内障手术术前分级管理

在实际的临床诊疗中，由于患者数目庞大，医生精力有限，因此术前诊疗效率难以与患者的需求相适应。2017年，Long等[9]建立了CC-Cruiser平台，并在多家医院对该平台进行测试，旨在改善疾病管理，使罕见病患者受益。CC-Cruiser是一个能够帮助眼科医生进行先天性白内障筛查及管理的AI系统，可准确判断患儿白内障的严重程度，辅助医生分析患儿是否需要进行手术。CCCr uiser以深度学习卷积神经网络分类模型为主体，具有以下3个功能网络：识别网络、评估网络和决策网络。由于训练目标的不同，每个网络执行的功能也各不相同：识别网络可以从大量的人群中筛查出患有先天性白内障的患儿；评估网络用于对先天性白内障患儿的疾病严重程度分级，分级原则涉及混浊区域、密度和定位，以此对疾病的严重程度(即晶状体混浊程度)进行综合评估；决策网络基于识别网络和评估网络所得到的结果，提出相关的治疗建议，例如手术或随访。在测试阶段，科研团队采用多种方法对模型的准确性和实用性进行测试，结果显示：计算机测试中，识别网络能以98.87%的准确度区分患者和健康个体，评估网络判定浑浊区域、密度和位置的风险指数的准确率分别为93.98%、95.06%、95.12%；多中心临床测试在更大的规模上更有效地验证和研究CC-Cruiser的实用性，测得CCCruiser识别网络准确率为98.25%，评价网络在混浊区域、密度和定位的准确率分别为100.00%、92.86%、100.00%，决策网络准确率为92.86%。“大海捞针”测试验证了CC-Cruiser判断罕见事件的能力，如少见的白内障类型及病征等。该AI技术能够帮助医生判断患者是否需要手术，并对患者白内障严重程度进行术前分级。

2019年，CC-Cruiser已完成了多中心随机对照试验。Lin等[10]在中国5家不同的眼科医院进行了试验，比较现实世界中CC-Cruiser和眼科医生之间的诊断效力和治疗决策能力的差异，结果显示：CC-Cruiser的白内障诊断和治疗决策的准确性分别为87.4%和70.8%，远低于专家99.1%和96.7%的诊断和治疗决策准确性；而用CC-Cruiser诊断的平均时间为2.79 min，远少于专家所需的8.53 min。患者对CC-Cruiser提供的医疗服务质量感到满意，并感到使用CC-Cruiser进行诊断较为省时。与专家相比，CC-Cruiser在诊断儿童白内障和做出治疗决策方面表现较差。但是CC-Cruiser提供的医疗服务耗时较少，并且患者满意度很高。因此，CC-Cruiser有能力协助眼科医生进行临床实践。

2 AI 在白内障手术术后的应用

2.1 AI 与白内障手术术后评估

2.1.1 AI 与人工晶状体选择

白内障手术摘除浑浊的晶状体后，可通过植入人工晶状体(intraocular lens，IOL)以矫正晶状体缺失导致的高度远视状态，而该过程的关键步骤为IOL的计算。虽然现代IOL公式对于多数患者较为适用，但对于眼部具有非典型生物识别参数或圆锥角膜的患者，该公式却不甚完美[11]。目前，AI已应用于IOL计算公式的完善，使IOL的参数达到更高的精确度，从而改善患者白内障术后的屈光结果。

2015年，Ladas等[12]根据现有IOL公式和有关IOL设计最准确、最新的信息，开发了一种新方法，得到了3个维度上的IOL公式，即IOL“超级表面公式”。该公式能够得到目前最准确的IOL度数值。初始超曲面是基于Hoffer Q、Holladay I、带有Koch调整的Holladay I公式和Haigis公式构建的，之后，研究人员编写了算法来生成3D超曲面，从而得到最终的“超级公式”。“超级公式”可用于计算平均眼轴长度和角膜曲率值，并且由于其是多种公式融合的产物，因此也适用于具有不典型轴长、角膜曲率、前房深度(anterior chamber depth，ACD)患者的眼部，优化了基于眼轴长度、角膜曲率以及ACD等的计算，克服了用过去其他公式计算时IOL不准确的问题[13]，从而纠正了屈光结果，取得了极大的进步。

Ladas等[14]于2021年对该公式进行了改进和优化，并创建了混合AI公式。研究人员以轴向长度、角膜曲率和ACD作为优化公式的变量，使用SRK、Holladay I和LSF公式，将数据集分为10个相等的部分，每个批次都做测试集，得到结果：改进后的公式在各数据集中的准确度都有所提高，其中SRK为62%，Holladay I为72%，LSF为6%。

此外，2021年，Nemeth等[15]基于4种方法对IOL度数计算的准确性进行了评估，其中3种使用AI，1种不使用AI。结果显示：根据屈光数据，4种方法在±0.5 D预测误差时需要的案例数分别为：Hill-RBF法88例(77.19%)、Kane法83例(72.80%)、Pearl-DGS法82例(71.92%)、BUII法80例(70.17%)。这表明Hill-RBF法具有更好的精度，而Kane法、Pearl-DGS法和BUII法三者精度相似，均低于Hill-RBF法。因此在预测IOL屈光度时，Hill-RBF法的准确性更高。在另一项研究中，Wan等[16]还发现Hill-RBF法的中值绝对预测误差(median absolute prediction error，MedAE)，和标准偏差(standard deviation，SD)均低于Hoffer Q法、Holladay I法和SRK/T法，与BUII法和Haigis法相当，且Hill-RBF2法的色散和屈光预测准确性与轴长无关。

除上文提到的Hill-RBF、BUII、Haigis、Hoffer Q、Holladay I、SRK、LSF、Kane、Pearl-DGS外，其他计算公式如正视验证光学(emmetropia verifying optical，EVO)、Holladay 2、Næser 2、T2、VRF-IOL等[17]，都在IOL度数预测中起到重要作用。

2.1.2 AI 与IOL 位置预测

AI在白内障术后IOL的位置预测方面具有较好的应用前景。Langenbucher等[18]使用Casia 2 OCT (Tomey)计算患者术后眼部参数，基于内ACD、晶状体厚度、角膜厚度、平均角膜半径和角膜直径等多种指标，对1 7 种算法进行了测试。结果表明：17种机器学习算法的平均绝对预测误差值较小，其中用于预测内ACD 的误差为0.187/0.139 mm～0.255/0.204 mm，用于预测IOL中晶状体赤道面轴向位置的误差为0.183/0.135 mm～0.253/0.206 mm，均表现出了最佳性能。这说明AI对于预测白内障术后IOL的物理轴向位置具有重要的作用。2020年，Li等[19]使用LightGBM(2.2.3)——一种实现梯度提升决策树算法的框架构建机器学习模型来预测白内障术后ACD，结果提示该方法可被整合到IOL度数计算方法中，用以提高IOL计算公式的准确性。此外，该研究团队发现：数据集的子集越大，LightGBM (2.2.3)预测术后ACD的性能越高，这说明该机器学习方法可以不断进行自我修正和改进。

2.1.3 AI 与白内障术后视力预测

由于高度近视患者眼底状况较为复杂，术前难以确定白内障手术对视力的影响，因此，Wei 等[20]开发了一种基于光学相干断层扫描(optical coherence tomography，OCT)的深度学习算法，来预测此类患者的术后视力。研究团队共采用了5 种不同的深度学习算法，分别为ResNet-18、ResNet-34、ResNet-50、ResNet-101和incepsion-v3。之后，研究团队利用内部、外部测试数据集来验证模型的性能，并得出内部和外部测试数据集的平均绝对误差(mean absolute error，MAE)分别为0.1524和0.1602 logMAR，结果较良好。这说明用OCT训练的深度学习算法能较好地预测白内障术后视力，有助于高度近视白内障患者手术方案的制定。

2.2 AI 与白内障手术术后管理

由于眼科医院及护理中心分散，覆盖范围不足，远程医疗还在起步发展阶段，导致大部分白内障患者的术后随访和护理工作不能有效地进行。2020年，Long等[21]设计出CC-Guardian，用于管理先天性白内障。CC-Guardian包含3个功能模块：预测模块，用于识别可能患有并发症的高风险患者；调度模块，用于安排个人的后续随访；远程医疗模块，用于在每次术后检查中就干预或持续随访做出决策。在内部验证中，预测模块预测视轴浑浊程度(visual axis opacification，VAO)的受试者工作曲线(receiver operating characteristic，ROC)AUC为99.1%；预测高眼内压(intraocular pressure，IOP)AUC为97.9%；远程医疗模块AUC为99.6%；多中心验证中，预测模块预测VAO AUC为94.4%；IOP的AUC为96.1%。远程医疗模块提供干预决策的灵敏度为95.9%，特异性为94.5%，AUC为98.1%，与内部验证的性能相当。该系统能够发现并解决潜在的白内障问题，管理白内障患者，减轻患者面临的社会经济负担，并极大地提高了患者就诊效率、医生决策效率，能够帮助解决慢性疾病管理的问题，减少社会经济负担。

2.3 AI 与白内障手术术后随访

白内障术后随访可以基于智能语音随访系统，达到高效术后随访的目的。2021年，林卓玲等[22]在新冠期间对智能语音随访系统进行了探索，并以此评估智能系统在互联网医院开展在线咨询的效果。该系统包括4个层次：资源层、中间件层、服务层和功能层，其核心为服务层，而服务层中最核心的为智能会话功能，该功能实现了术后随访的自动化，能够根据用户的回答进行相应的反馈，最后会提出适当的建议。该研究的平均有效回访率为48.6%，数值偏低，因此该系统还在探索中，但为互联网医疗的发展提供了很好的思路和方向。

2.4 AI 与白内障手术术后并发症预测

白内障术后可能会伴有并发症，如严重的视轴区晶状体混浊(severe lens proliferation into the visual axis，SLPVA)和异常高眼压(abnormal high intraocular pressure，AHIP)。2019年，Zhang等[23]采用Apriori算法预测小儿白内障患者术后并发症的发生，并发现与并发症相关的因素，关于并发症的关联规则为医生临床工作提供参考。研究团队设计了3个分类问题：1)是否存在并发症，2)是否患有SLPVA，3)是否患有AHIP。在遗传特征选择的结果中，该系统判断问题1)和问题2)的准确性分别达到78.3%、79.5%。在附加测试中，3个分类问题的准确率都分别达到65%；之后使用SMOTE算法预处理数据集，然后利用随机森林和朴素贝叶斯分类器对样本进行分类，解决3个二元分类问题的所有平均准确度都超过91%，甚至达到95%。该系统可以为医生预测小儿白内障术后并发症的发病率提供参考，帮助患者早期进行干预治疗，促进患者视功能的恢复。

3 AI 与白内障手术培训和教学

AI可用于完善眼科医生手术技能，提高其术中操作能力。Forslund Jacobsen等[24]于2020年验证Eyesi Simulator(一种白内障手术模拟器)对于眼科医生手术操作提高的有效性，让进行过100次以上手术操作的白内障医生选择与学习目标相对应的模块和难度级别，包括撕囊、玻璃体切除术等，并对他们进行培训。结果证明：通过这种虚拟现实的白内障手术培训，白内障医生的手术能力得到了提升，手术性能得到改善；而且相比传统的白内障手术培训方法，其培训效果更为显著[25]；此外，通过这种高级白内障手术培训程序的训练后，并发症(如后囊破裂)的出现减少，对手术的安全性和高效性都有所促进。

医生在手术后的回顾对于自身的提高以及治疗的质量都有着重要的意义。Jacobsen等[26]在2019 年应用白内障手术的客观结构评估系统(objective structured assessment of cataract surgical skills，OSACSS)，研究了虚拟现实模拟器的性能与现实白内障手术性能之间的相关性。OSACSS是一种基于视频对白内障手术各个步骤表现进行评估的工具，在评估白内障手术技巧时被广泛使用，并且被视为评估白内障手术技术的金标准。OSACSS可以从不同维度，如穿刺、撕囊、超声乳化技术等对手术视频进行评分，评分级别包括是否失误、是否犹豫等。各个级别对应不同的分数，以此达到对白内障手术视频评分的目的。研究团队使用多中心双盲研究，并采用线性回归的方法，得出模拟器性能得分与OSACSS平均得分之间均具有显著相关性的结论，皮尔森相关性为0.65(P=0.003，R2=0.42)，这表明在评估外科手术能力时有必要增加VR模拟器的使用。这种基于手术视频的评分系统有利于眼科医生对于自身技术进行评估，然后根据现有的失误进行反复总结，让手术技术不断完善，日臻完美。同时，医院也可以用该技术对医生进行水平评估，以督促每一位医生的学习和医术的精进。这不但有利于医生的个人发展，也提高了治疗水平。因此，OSACSS的应用有利于眼科教育事业的发展。

4 AI 在白内障手术治疗和教学应用中的问题

AI在白内障手术治疗和教学应用方面还有很大的发展空间，同时也面临着许多问题：1)数据不充足。在上述提到的术后随访服务中，由于小儿白内障等眼科罕见病的数据还不够多，还不能支持多中心研究的顺利进行。因此，需要各研究中心的数据共享，让其在线系统收集到更多的数据，惠及医生和患者；2)AI系统需继续改进。在智能语音随访系统中，语音识别系统的识别能力有待提高，在抗噪性、敏感性等方面都应该继续完善；3)隐私问题。大数据时代虽然给人们带来了诸多便利，但人们的信息安全也受到了威胁。因此在眼科AI的发展过程中，还应注意患者信息的保护，避免患者个人隐私被泄露。

5 结语

为提高治愈率，为患者提供更好的服务，AI 还可以从以下方面对白内障手术进行完善：1)智能手术仪器[27]。可探索更多设备的智能化，如利用深度学习模型使白内障超声乳化设备实现智能工作，自动识别眼内组织，提高手术效率；2)并发症预测和治疗。通过AI辅助，预测术后并发症如干眼[28]、黄斑水肿[29]、后囊破裂等情况的发生。同时，由于超声乳化手术、抽吸术的普及和推广，后发性白内障(posterior capsular opacification，PCO)也愈加常见。AI可以通过精确撕囊直径大小、优化IOL材质预测并降低PCO发病率，减少术后并发症的发生；3)精准预测和矫正术前散光[30]。在白内障手术中进行散光矫正时，术前角膜散光对于IOL植入后超声乳化术后散光[31]的预测具有重要意义，而AI可以用于整合角膜散光数据，以精准矫正术前散光，预测术后散光。目前，术后屈光散光基本可以回归方程进行准确预测，而斜散光尚未能完全精准预测[32]，研究人员可以考虑用AI技术辅助预测。

综上，AI在白内障手术治疗和教学方面的应用大有前景，我们对其未来的发展拭目以待。

开放获取声明

本文适用于知识共享许可协议(Creative Commons)，允许第三方用户按照署名(BY)-非商业性使用(NC)-禁止演绎(ND)(CC BY-NC-ND)的方式共享，即允许第三方对本刊发表的文章进行复制、发行、展览、表演、放映、广播或通过信息网络向公众传播，但在这些过程中必须保留作者署名、仅限于非商业性目的、不得进行演绎创作。详情请访问：https://creativecommons.org/licenses/by-ncnd/4.0/。