首页科学传播

Big Data Mining and Analytics丨人工智能在多模态复杂眼科疾病辅助诊断里的应用新角度——以干眼症为例

来源：大数据挖掘与分析期刊

日期：2024年04月26日

人工智能（Artificial Intelligence, AI）技术在医学里的应用已经屡见不鲜，但是实际临床场景错综复杂，尤其是有些疾病个体差异极大，本身在临床上就有诸多诊断标准不一的复杂情况。因此，何种场景下人工智能能够发挥重要作用，对于多模态多标准的数据如何使用，不同人工智能先进方法分别对应哪些应用场景，哪些问题目前人工智能还未能解决但是极具潜力，未来在人工智能的助力下可以实现哪些有利人民生命健康的新发现、新发明、新成果。本研究以眼科疾病干眼症为例，针对干眼症这一病因复杂却又十分常见、发病基数大的眼科疾病，针对以上问题进行探讨。

珠海中科先进技术研究院人工智能大数据分析与应用中心王涵博士以第一作者在Big Data Mining and Analytics（《大数据挖掘与分析（英文）》期刊）2024年第2期发表名为AI-Based Advanced Approaches and Dry Eye Disease Detection Based on Multi-Source Evidence: Cases, Applications, Issues, and Future Directions（《人工智能在多模态复杂眼科疾病辅助诊断里的应用新角度——以干眼症为例》）论文。

论文截图

据了解，项目课题组学者来自于珠海中科先进技术研究院、香港中文大学、深圳理工大学、珠海市人民医院、纽约市立大学、中国科学院深圳中科先进技术研究院、澳门城市大学、珠海爱尔眼科医院、山东第一医科大学第一附属医院、暨南大学、野望科技、粤澳深度合作区中葡科技交流中心、重庆工贸职业技术学院和贺州学院，由多名医工交叉专家学者、计算机领域优秀学者、眼科领域专家及医生团队、算法工程师和开发人员组成，协力合作探究，为人工智能在医疗领域的应用与研究开辟新视角。

【成果简介】

人工智能在干眼病（Dry Eye Disease, DED）的早期筛查和预后方面展现出巨大的潜力，为眼科医生制定精确治疗策略提供了可能。然而，由于诊断证据和标准的多样性、病因的复杂性以及跨学科知识的整合需求，基于AI的DED检测方法的可解释性、可靠性和适用性仍面临挑战。本研究对过去五年中在AI基础上进行DED检测所采用的数据集、诊断证据和标准以及算法进行了全面回顾。通过对干眼症这一眼科细分领域疾病的案例分析，探讨了基于人工智能先进方法在该疾病辅助检测的应用价值、存在的问题和未来发展方向。研究发现，尽管人工智能在干眼病早期筛查和预后方面具有巨大潜力，但仍需解决诸多挑战，如数据集的标准化、诊断证据和标准的统一、跨学科知识的整合以及算法的可解释性和可靠性等。针对这些问题，未来研究应加强跨学科合作，制定统一的诊断标准，优化算法性能，并提高检测方法的可解释性和可靠性，以实现基于人工智能的干眼病早期筛查和预后的广泛应用。

图1 AI干眼发现

研究中，旨于为未来关于人工智能与干眼症的交叉研究以及其他相关研究提供借鉴价值，本研究深入探讨了多模态数据的选择与组合使用方式，以及在不同场景下应用哪种人工智能方法更为适宜。根据与AI技术的关系，该研究将DED诊断方法及依据系统地划分为三类：

1. 基准类/对照组：这些方法主要是作为比较标准，可以不涉及AI技术的直接应用，包括：Tear Break-Up Time, Schirmer's test, Tear Meniscus Height, fluorescein score, Ocular Surface Disease Index。

2. AI辅助诊断/早筛优势组：这些方法充分利用AI技术的优势，在干眼症的辅助诊断和早期筛查中展现出显著的效果和潜力，包括meibomian images, Conjunctival Autostereoscopic Photography, In Vivo Confocal Microscopy images, Optical Coherence Tomography images, blink videos, ultrasonic imaging。

3. 其他补充证据组：这些方法虽然不是基于AI技术，但可以为AI在干眼症诊断中的应用提供有益的补充证据，包括tear osmolarity, proteomic analysis, Traditional Chinese Medicine, demographic information。

通过这样的分类，该研究旨在为未来的研究提供启示，帮助研究者更好地选择和应用适合的方法和技术，从而推动人工智能在干眼症领域的更广泛应用和深入探索。

图2 人工智能干眼分析系统项目

此外，本研究提出了建议的人工智能干眼检测标准、证据组合及应用场景，团队自主研发“人工智能干眼症分析系统”（AI Dry Eye Analytic System，https://www.mini.ac.cn），致力于应用贡献和服务更多该交叉领域科研临床工作者。本研究主张整合多源诊断证据，并提出了未来研究方向，以引导未来的研究。这项研究通过提供对基础知识、先进方法、主要挑战和潜在未来展望的洞察，对眼科疾病检测领域做出了重要贡献。研究结果既从学术角度又从实际角度强调了人工智能先进技术在眼科学中的关键作用。

【作者简介】

第一作者王涵博士

王涵，暨南大学/医学部-珠海市人民医院(暨南大学珠海临床医学院）博士后，澳门城市大学数据科学博士，香港中文大学医学院眼科与视觉科学系博士研究生，澳门智能生物计算学会副会长兼理事长，中国中医药信息学会中西医外科智能诊疗分会理事，国家药品监督管理局高级培训班讲师,中国计算机学会专业委员会委员,深圳市视光学会影像及人工智能专委会委员。澳门数字医疗与人工智能学会（筹）主席。物联网云计算工程师、中国高级健康管理师、高级眼镜验光师、高级眼镜定配师、视力保健师。MTA人工智能工程师、MTA数据管理工程师、2022珠海市科技进步奖二等奖(第一完成人)，2022珠海市科技之星。发表知识产权120项，含专利49项（已授权14项，转化3项，转化金额99.28万元），论文51篇（一作25篇，最高影响因子13.5），软着20项，获国际、国家、省市级奖14项（含科技进步奖1项，科技人才奖1项，科研贡献奖1项，全国发明奖3项，国际创新奖6项），参与负责国家省市级科研项目14项，累计获批科研经费1300余万元。不少于9项知识产权（专利软着），已经成功转化企业。科研服务项目6项，金额80.7万。研究领域：深度学习及可解释医学AI算法，AI眼科关键技术研究、多数据源的融合预测算法与眼科诊断、干眼症的治疗预后评估、眼底疾病的诊断与预后、黄斑性病变的分型预后与病症量化等。

研究项目主要包括 “基于联邦学习的干眼症早筛及关键技术研究”、“基于可解释性算法的黄斑变性早筛及预后关键技术研究”、“面向超广角眼底黄斑病变的轻参数深度学习模型研究”、“异构传感云系统中合作式边缘智能关键技术研究”、“基于深度学习的肿瘤数字病理图像的术后预测算法研究”、“广东省生物医药产业数字化转型升级的关键技术与示范应用研究”、“弱监督学习下甲状腺结节细粒度识别模型研究”、“肿瘤光学精准诊疗关键技术研发”、“人体健康状态监测与干预技术”、“基于人工智能皮肤状态检测和离子液体提取的日化品项目”、“基于深度学习的后疫情时代学生心理健康及康复评定系统研究”、“广东省人居物联工程技术研究中心项目”、“基于深度学习的智慧执法办案系统的研究与应用”、“智慧公安执法项目”、“急性视网膜动脉阻塞AI辅助诊断与救治互联网平台”、“视觉训练在儿童青少年近视防控领域的研究与应用”、“基于可解释性算法的眼科疾病辅助筛查研究”、“数字医疗与人工智能先进技术与应用科普项目”。

通讯作者潘毅院士

潘毅，生物信息学领域专家，美国医学与生物工程院院士，欧洲科学与艺术院院士，乌克兰国家工程院外籍院士，英国皇家公共卫生学院院士，深圳理工大学计算机科学与控制工程学院院长、讲席教授，珠海中科先进技术研究院首席科学家。潘毅于1978年9月—1982年6月就读于清华大学，毕业后获得计算机学士学位；1984年6月获得读于清华大学计算机硕士学士学位；1982年9月—1986年9月任清华大学计算机系助教；1986年9月—1987年1月任加拿大卡尔加里大学计算机系助教；1987年1月—1991年8月任美国匹兹堡大学计算机系助教；1988年6月获得美国匹兹堡大学计算机硕士学士学位；1991年6月获得美国匹兹堡大学计算机博士学士学位；1991年8月—1996年8月任美国戴顿大学计算机系助理教授；1996年8月—2000年8月任美国戴顿大学计算机系副教授；2000年8月—2004年8月任美国乔治亚州立大学计算机系副教授；2004年8月—2020年11月任美国乔治亚州立大学计算机系教授、杰出教授、州校董教授；2020年11月任中国科学院深圳理工大学计算机科学与控制工程学院院长、讲席教授；2021年当选为美国医学与生物工程院院士；2022年当选为欧洲科学与艺术院院士。潘毅教授研究领域为计算机与生物信息领域的交叉研究。

【文章来源】

Mini Han Wang, Lumin Xing, Yi Pan, Feng Gu, Junbin Fang, Xiangrong Yu, Chi Pui Pang, Kelvin Kam-Lung Chong, Carol Yim-Lui Cheung, Xulin Liao, et al., AI-Based Advanced Approaches and Dry Eye Disease Detection Based on Multi-Source Evidence: Cases, Applications, Issues, and Future Directions, in Big Data Mining and Analytics, vol. 7, no. 2, pp. 445-484, June 2024, doi: 10.26599/BDMA.2023.9020024.

识别二维码可访问全文

【期刊简介】

《大数据挖掘与分析(英文)》(Big Data Mining and Analytics，ISSN 2096-0654，CN 10-1514/G2，季刊）已被ESCI，EI，Scopus，dblp computer science bibliography，Google Scholar，INSPEC等检索收录。自创刊以来，Big Data Mining and Analytics得到业内专家、学者广泛关注。期刊位居中科期刊分区计算机科学1区。期刊2022年影响因子13.6，在ESCI计算机信息系统领域位列全球第一。根据爱思唯尔最新公布的CiteScore（引用分数），BDMA 2022年CiteScore为17.7，位列全球计算机领域前3%。2022年，期刊入选CCF高质量科技期刊分级目录，位居T2类。