深度学习与眼科生物技术：人工智能对视网膜病变的诊断影响

生命科学中的人工智能1（2021）100018审查深度学习能否彻底改变视神经病变的临床理解和诊断Mohana Devi Subramaniama，Abishek Kumar Ba，Ruth Bright Chirayatha，Aswathy P Naira，Mahalaxmi Iyerb，Balachandar VellingiricaSN ONGC遗传学和分子生物学系，视觉研究基金会，Sankara Nethralaya，Chennai，Tamil Nadu 600 006，Indiab印度泰米尔纳德邦畜牧业和生物资源技术c印度哥印拜陀641 046 Bharathiar大学人类遗传学和分子生物学系aRT i cL e i nf o保留字：人工智能深度学习眼科Lebera b sTR a cT近年来，基于深度学习（DL）的人工智能（AI）引起了全球的极大兴趣。深度学习已被广泛应用于语音和图像识别，自然语言处理，对医疗保健有影响。近十年来，深度学习在该领域的应用呈指数级增长眼科学眼底镜检查，裂隙灯摄影，光学相干断层扫描（OCT）和磁共振成像（MRI）被用于各种眼部疾病的临床检查。这些数据为眼科DL模型的开发提供了一个完美的平台。目前，DL在眼科疾病中的应用主要在糖尿病视网膜病变（DR）、年龄相关性黄斑变性（AMD）、黄斑水肿、早产儿视网膜病变（ROP）、青光眼和白内障中进行研究。在眼科学中，DL模型正在逐渐扩大其在视神经病变中的范围。青光眼和视神经炎是视神经疾病，其中DL模型目前被研究用于临床应用。为了进一步扩大DL在遗传性视神经病变中的应用，我们讨论了最近的观察性研究，揭示了Leber遗传性视神经病变（LHON）视神经的病理生理变化LHON是一种遗传性视神经病变，在早期年龄组中导致双侧视力丧失。因此，对于早期管理，进一步在LHON中应用DL将使眼科医生和患者受益。在本文中，我们讨论了人工智能在眼科的最新进展和应用DL模型在LHON的临床精度和及时诊断的前景介绍人工智能（AI）已经接管了医疗保健，在当今时代的诊断革命中发挥了重要作用医疗保健精度的任何复杂性，AI模型都能找到它的应用。在诊断方面，人工智能通过机器学习（ML）技术模仿人类行为以提高效率。人工智能理解机器学习提供技术或算法，使计算机能够使用可用的输入数据进行它需要大量的训练数据来建立一个精确的模型[1]。深度学习（DL）是ML的一个子组，在许多领域都具有很高的准确性，包括自然语言处理，推荐系统，声音识别和图像识别。它还可以识别复杂的，非结构化的和互连的数据，具有相当的准确性[2]。Gulshan等人[3]首先介绍了糖尿病视网膜病变（DR）。在DR中的DL开发后不久，研究人员对研究不同的算法并成功开发DL模型感兴趣，这些模型可以检测和缓解眼部疾病，如视网膜相关性黄斑变性（AMD）、青光眼、早产儿视网膜病变（ROP）和白内障[4]。到目前为止，已有两个完整的算法获得了FDA的成功批准。其中IDX-DR是DR的数字化诊断系统，Viz.AI是脑卒中的图像分析系统.这些设备被称为这些ML算法具有持续发展的潜力，并且在其他领域的应用中具有高度的适应性。神经眼科学中的人工智能是一个新兴领域，人工智能算法在检测视乳头水肿和青光眼等神经眼科疾病方面表现出很高的准确性。 AI中的算法被开发用于通过使用眼底和OCT图像监测视网膜神经纤维层（RNFL）厚度和视盘改变来检测神经眼科疾病[6]。神经眼科学中的这项新兴技术进一步扩大了其在遗传性视神经病变（尤其是LHON）中的应用。本文综述了人工智能在眼科的应用现状和最新进展，以及基于人工智能的模型在遗传性视神经病变中的可能作用。∗ 通讯作者。电子邮件地址：geneticmohana@gmail.com（医学博士）Subramaniam）。https://doi.org/10.1016/j.ailsci.2021.100018接收日期：2021年6月30日;接收日期：2021年11月18日;接受日期：2021年11月18日2021年11月21日网上发售2667-3185/© 2021作者。由Elsevier B. V.发布。这是一个CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）可在ScienceDirect上获得目录列表生命科学期刊首页：www.elsevier.com/locate/ailsciM.D. Subramaniam，A.K. B，R. B。Chirayath等人生命科学中的人工智能1（2021）1000182AI在医疗保健领域人工智能在全球呈指数级增长的主要原因是大数据处理的需求和加强人类在医疗诊断方面的工作[7]。目前，诊断和成像的巨大增长使放射科医生、眼科医生和其他治疗管理部门受益（图4）。因此，眼科领域的AI模型正在迅速增加[8]。深度学习被用于几种疾病的医学成像，如来自胸部X射线的结核病[9]，皮肤摄影的恶性黑色素瘤[10]，来自组织切片的乳腺癌淋巴结转移[11]，使用胸部图像的肺癌[12]，使用计算机CT的心血管风险[13]，使用CT血管造影术的肺栓塞[14]，使用虚拟结肠镜检查的息肉[15]，使用MRI的神经胶质瘤[16]，使用功能性MRI的阿尔茨海默眼科学涉及最新的电气，声学，机械，和光学成像技术。因此，人工智能在眼科领域的应用得到了广泛的实施和认可。使用先进的DL模型，AI基于模式识别对图像进行分类[8]。在与光学系统的合作中，DL算法的不同模型（如神经网络）成功应用于各种疾病诊断及其在DR中，需要持续监测以观察疾病进展。然而，AI的引入使早期DR患者的眼底成像成为可能。在未来，对DR患者进行持续监测的要求可能会受到影响，因为AI可以显示疾病的发展和进展[19]。用于诊断的在眼科学中，ML需要具有大量输入数据的算法来训练以预测眼部状况并使其性能标准化。在ML中构建结构化算法是对诊断AI模型进行去噪的关键步骤。光学条件的眼底图像用作在眼科学中构建AI算法的主要数据库[20]。除了传统的眼底摄影，光学相干断层扫描（OCT）扫描也可用于显影。结合二维眼底图像和三维OCT可以提高AI算法的灵敏度和特异性。这些数据库被输入到具有应用程序的系统中，用于通过AI进行决策[22]。人工智能的两种形式是监督学习和无监督学习。监督学习是传统的ML方法。在传统ML中，专家知识被用于标记眼科病症的临床特征和诊断。然后，表示临床严重程度的分类图像被训练的ML模型用于分类。为了构建一个精确的ML模型，应该输入大量专家标记的数据来训练和验证算法[23]。用于眼科ML的一些流行AI算法包括决策树、贝叶斯分类器、随机森林、支持向量机、k均值、k近邻、判别分析和神经网络[19]。在无监督学习中，DL被应用，这使得能够跳过涉及专家监督在DL中，来自临床诊断的授权输入数据是从二级源（如公开数据、医疗记录等）中提取的，用于自学习并对根据诊断和严重程度确定眼科疾病[22]。的用于识别的两个强大的DL分类系统包括卷积神经网络（CNN）和人工神经网络（MTANN）[23]。眼科人工智能系统的特点如图所示. 1.一、为了构建眼科AI算法，必须对原始图像数据进行分类、验证和预处理。这些步骤涉及人类智能来验证算法，并且还反映了AI系统的灵敏度和特异性。图像的预处理包括降噪、整合和选择最相关的数据。 这将提高结果的图像处理的效率。在处理数据之后，大量的输入被馈送以实现最大的测试效率。应用前应交叉验证该检测。对于交叉验证，应将测试数据与涉及不同变量的训练集进行比较。K折交叉验证是常用的验证方法。算法验证后，使用受试者工作特征（ROC）曲线计算性能的灵敏度和特异性[19]。人工智能在眼科中的作用及应用AI通过使ML应用程序能够更精确地帮助医生并减少周转时间，彻底改变了医疗诊断。人工智能的范围正在呈指数级扩展，最近十年，ML在眼科中得到了实践。 大量的数字成像数据，包括OCT、MRI、彩色眼底镜检查和计算机化视野，用于在临床研究中进行手动预测，使眼科成为AI应用的理想领域。这些错误在眼科医生对裂隙灯或眼底或OCT图像的手动解释中是常见的，并且其更具主观性。ML将图像识别为可测量数据，并实现识别的精确性。因此，人工智能在眼科学中的应用已得到充分确立[24，25]。目前在眼科各个领域应用AI的研究如图2所示。 在眼部疾病中，DR是AI中广泛研究的领域，作为ML应用的热点。DR是导致失明的主要原因，所有糖尿病患者都需要及时进行视网膜筛查，以便早期发现DR，这将有助于治疗和管理[26]。DR的进展伴病理变化，如棉絮斑、微动脉瘤、出血、硬性渗出物和新生血管形成，使DL能够理想地用于DR的表征[27]。在DR中，DL不仅可以检测病情，还可以将其分类为增殖性DR、非增殖性DR和糖尿病性黄斑水肿[28]。最近神经网络的创新和深度学习的精确度使根据严重程度分级，如轻度、中度或重度[3]。Wong等人提出了一种基于识别微动脉瘤和血管瘤的三层前馈神经网络[29]。开发了形态成分分析（MCA）技术，用于检测水肿和水肿[30]。Yazid等人使用逆表面阈值和网格神经网络识别硬性渗出物和视盘病变[31]。另一项研究通过使用关键点检测、纹理分析和视觉词典技术从眼底图像检测视盘变化[32]。这些研究的特异性和敏感性范围为75%至94.7%。除了使用眼底图像之外，ElTanboly等人还引入了基于DL的系统来检测DR us。通过52张OCT图像使用另一种成像模式，并报告AUC为0.98[33]。DR中的AI更可靠，DL模型的测试灵敏度为97%，而眼科医生的手动解释仅为8.3%[34]。AI前瞻性评估的一个重要里程碑是美国食品药品监督管理局批准了IDX-DR，这是第一个完全自主的基于AI的DR诊断系统，用于检测轻度以上的DR和糖尿病黄斑水肿[35]。最近，一项研究在Remidio Fundus-on Phone上评估了一种人工智能，它显示出高灵敏度（93%）和高特异性（92.5%）[36，37]。人工智能设施将使这项技术在网络连接较差的地区更容易获得。智能视网膜成像系统是眼科人工智能领域的又一突破。该远程视网膜DR筛查计划将非散瞳眼底视网膜图像与早期DR研究的标准图像集进行比较，以推荐重度非增殖性DR（NPDR）或晚期DR病例的转诊[38]。AMD是一种不可逆转的黄斑疾病，由各种遗传因素引起，遗传学和表观遗传学的变化影响着50岁以上的人[39]。图像识别和分类的进步使得能够识别视网膜色素变化、脉络膜新生血管、玻璃疣、出血、渗出和萎缩[23]。眼底彩色图像被用作DL的解释数据结果虽然M.D. Subramaniam，A.K. B，R. B。Chirayath等人生命科学中的人工智能1（2021）1000183图1.一、 传统ML和DL模型中的AI算法用于眼科诊断。DL在AMD中的应用是初步的，许多研究和临床试验正在进行中，有更多的研究组正在成功应用[40，41]。从观察研究来看，DL在AMD中的测试灵敏度是>87%[42]。但OCT图像在DL模型中的应用提高灵敏度、特异性和准确性[43]。OCT使DL能够检测形态学的变化、视网膜内或视网膜下积液。最近对从较大患者组获得的OCT图像进行了评价，以在DL模型中开发CNN平台进行诊断，结果显示准确性大于90%[44，45]。Bogunovic等人测试了一种使用OCT图像观察抗VEGF治疗反应的算法[46]。在OCT图像中显示ML可预测再治疗的可能性，并且在预测低和高再治疗要求方面具有显著的性能[47]。另一项研究报告了使用OCT图像进行抗VEGF注射决策的深度卷积神经网络（DCNN）[48]，这些研究对于AMD管理中治疗间隔的图像引导预测非常重要。最近，科学家们创建并验证了一种用于AMD筛查和预测晚期干性和湿性AMD进展的AI模型。该模型对AMD筛查的准确率为99.2%[49]。白内障导致眼睛晶状体混浊，外观明显混浊。白内障的早期诊断对于管理至关重要，通过临床观察是一项具有挑战性的任务。因此，DL通过开发裂隙灯图像的CNN算法来诊断早期白内障，从而找到了白内障的应 用。 与传 统临 床分 级相 比 ，DL 模 型在 白内 障中 的性 能仅 达 到70%[50]。另一DL为儿童白内障开发的模型，能够使用CNN自动定位晶状体中的感兴趣区域以图像的预处理将DL模型的灵敏度和特异性提高到97%，并使白内障的分类和分级成为可能[51]。另一项研究报告了使用AI进行后囊膜混浊（PCO）的风险预测，准确率为87%[52]。青光眼是由于眼内压升高而引起的，眼内压升高会损害视神经。青光眼的早期管理是必要的，以避免不可逆的编译，但技术挑战归因于早期青光眼的临床诊断[53]。面对临床青光眼诊断，检查了眼内压测 量 、 视 盘 杯 形 、 RNFL 和 神 经 节 细 胞 层 （ GCL ） 厚 度 的 视 野OCT[54]。开发了ML算法，用于使用OCT通过视盘厚度识别青光眼神经网络使OCT图像能够根据严重程度对青光眼进行定量分类[55]。在眼底图像中，很少有研究针对杯盘比将CNN应用于DL[56]。本文对102例青光眼患者的视网膜神经纤维（RNF）厚度进行了OCT检查。使用CNN进行青光眼分类的DL模型的准确性超过87%[57]。基于RNF和视盘厚度的研究AI在视神经病变中的未来应用前景广阔，尤其是特别是在LHON中，其中RNF层和视神经随着疾病进展而变化。Martin等人使用随机森林模型[58]，使用了24项角膜接触镜传感器的前瞻性临床试验数据进行IOP监测。Omodaka等人开发了一种参数算法，如视盘杯状，神经视网膜边缘厚度和神经节细胞厚度-M.D. Subramaniam，A.K. B，R. B。Chirayath等人生命科学中的人工智能1（2021）1000184图二、人 工 智能模型在眼科中的主要应用领域。基于使用OCT图像的分割技术，其显示了87%的准确性[55]。另一项研究设计了一种全自动模型，使用OCT扫描对闭角型青光眼进行分类，准确率为89.2%[59]。研究评价了使用眼底图像检测青光眼性视盘变化的DL算法，其显示出高灵敏度和特异性[60，61]。视觉场非常难以解释，并且已经报告了使用前馈神经网络来识别前视野视觉场的视觉场解释中的AI [62，63]。在其他眼科疾病中，Ohsugi等人开发了DL，可以从超宽视野眼底图像中检测孔源性视网膜脱离，具有高灵敏度和特异性[64]。 Xu等人设计了 一种双阶段DL系统，用于从OCT图像中识别息肉状脉络膜血管病变（PCV）中的色素上皮脱落[65]。另一项针对视网膜色素变性和Leber先天性黑蒙患者的研究采用了基于ML的方法来预测OCT图像的视野检查[66]。ML决策树模型已被引入预测 眼周基底细胞癌切除后重建手术的复杂性[67]。在眼科，人工智能具有许多优势，如角膜地形图，人工晶状体度数预测，预测结果 治疗、筛查和诊断的重要性与高端筛查和诊断技术相比，人工智能不仅被证明是有效和结构化的，而且具有成本效益[68]。AI在视神经病变诊断中的应用现状当视神经受损时发生视神经病变，导致眼睛结构变化和血流变化[69]。在大多数情况下，视神经病变导致视力下降开始褪色视力丧失、色觉丧失、模糊、周边视力丧失和混浊。视神经损伤的早期发现和治疗是重要的研究人员正在尝试研究各种方法，以使用AI获得更好，更快速的诊断。[70].目前，一些研究支持使用 AI在与视神经病变相关的各种疾病中的作用。近年来，ML系统的研究主要集中在视盘萎缩和视乳头水肿，试图通过眼底该com-DL系统与新的创新硬件解决方案的结合可能会带来神经眼科疾病和医疗保健的革命[71]。最近，一项研究报告了一种无监督的数据驱动技术，用于使用扫频源光学相干断层扫描（SS-OCT）图像对覆盖大区域的RNFL结构进行量化测量，以检测青光眼并预测未来的青光眼进展[72]。在另一项研究中，使用RNFL厚度空间模式来预测青光眼的视野丧失[73]。Mariotonni等人开发了一种新的无分割DL算法，该算法可以在谱域光学相干断层扫描（SDOCT）上测量准确的RNFL厚度，而无需分割视网膜层[74]。另一位科学家修改了ResNet-152 DCNN系统，以确定视盘偏侧性，在存在神经眼科病理的情况下表征左右视盘之间的特征[75]。Al-Aswad等人使用彩色眼底照片评价了DL系统用于识别青光眼性视神经病变的性能，灵敏度使其成为筛查这种疾病的有价值的工具[61]。一的DL系统可以根据眼底照片诊断视神经异常，特别是视乳头水肿，其中瞳孔散大，视盘有视乳头水肿、正常视盘和非视乳头水肿异常[76]。机器学习技术可以与眼底图像相结合，作为区分假性乳头水肿（PPE）和视神经病变相关视盘升高的有效方法[77]。基于人工智能的动态链接检测算法使用彩色眼底照片，在区分非青光眼性视神经病变和青光眼性视神经病变方面，抽动椎间盘异常表现出显著的表现[78]。在LHON中观察到的病理生理学变化LHON是由于线粒体功能障碍引起的遗传性视神经病变线粒体DNA（mtDNA）中的点突变MT-ND 1、MT-ND 4和MT-ND 6影响呼吸复合物I亚基[79]。该突变损害NADH-泛醌氧化还原酶链并增加反应性氧种类（ROS），导致氧化性损伤。M.D. Subramaniam，A.K. B，R. B。Chirayath等人生命科学中的人工智能1（2021）1000185图3. LHON从mtDNA突变水平到视神经萎缩的逐步病理生理变化，以了解DL的应用。细胞的年龄[80]。由于神经细胞易受线粒体功能障碍的影响，视神经盘轴突区域中的视网膜神经节细胞（RGC）因细胞凋亡而退化[81，82]。这会导致视神经病变并影响图像感知的视觉通路。以下事件导致个体双侧视力丧失和视神经病理变化。视神经盘的病理生理变化包括脱髓鞘和萎缩。在急性期，RNFL在视神经乳头周围区域肿胀。然后，由于慢性LHON的代偿反应，这些层持续变薄。在OCT成像中研究了这些变化[83]。少数研究表明，在急性LHON，RNFL和脉络膜增厚观察。另一方面，在慢性LHON中，RNFL和脉络膜都变薄[84]。 视网膜节细胞的病理改变影响了视网膜的血管分布。终末神经节细胞-内丛状层（RGC-IPL）。进展性LHON的黄斑和视乳头周围脉络膜变薄与RGC-IPL厚度相关[85]。使用OCT血管造影术（OCT-A）对急性LHON的视网膜血管系统进行评价，概述了临床上显著的血管扩张和迂曲。扩张后眼底检查可见视乳头周围毛细血管扩张伴视神经充血，有助于临床诊断。在慢性阶段，在神经头处可见视神经萎缩[83]。为了排除LHON的脱髓鞘和压迫性病变的其他原因，磁共振成像（MRI）有助于缩小诊断范围。在LHON中，在视交叉和视神经束中注意到增加的T2信号。视神经和视交叉增强在MR中模拟视神经炎。与健康个体相比，在LHON上观察到的病理变化，可以作为DL应用的工具面对LHON诊断（图）。 3）。DL在LHON目前，DL模型仅广泛用于DR、AMD、白内障和青光眼的诊断[86，87]。它的应用在LHON中尚未研究。尽管存在对数据的需求来训练DL模型，但由于LHON是一种罕见疾病，因此有针对性的多中心研究可以提供足够的信息来支持DL系统。DL在LHON中的成功应用将彻底改变神经眼科的诊断和精确度。近年来，DL技术得到了很好的建立，尤其是在DR中，并能够根据类型和严重程度对其进行分类[88]。在DR中，眼底检查显示微动脉瘤、斑点状血管瘤、视网膜内微血管异常、新生血管，这是临床诊断的重要工具[89]。DL算法考虑了DR中显示这些特殊变化的彩色眼底图像，以形成CNN并可将其分为增殖性或非增殖性DR或黄斑水肿以及轻度、中度、重度严重程度[3]。类似地，在LHON中，OCT检查显示由于脱髓鞘和萎缩导致的RNFL、脉络膜和RGC-IPL的宽度变化。RNFL和脉络膜的厚度随LHON的严重程度而增加。在急性LHON中，这些层看起来很厚，在LHON进展到慢性阶段后，它变得明显变薄[84，85]。通过许多观察性研究检查这些变化，使眼科医生能够诊断LHON及其并发症。但考虑到通过OCT、MRI和眼底镜检查观察到的微小变化及其非特异性，仍然难以进行手动解释。视神经束中的视神经炎和其他信息来源等病症模拟LHON的视神经病理学，并导致许多其他疾病诊断，阻碍眼科医生决定对LHON进行基因检测和咨询。因此，具有黑盒算法的DL模型可以创建神经网络，用于准确识别OCT中观察到的宽度和其他结构变化。为了更精确地了解LHON的临床图像，DL可以帮助眼科医生决定进一步的程序。利用多种人工智能技术对LHON进行虚拟评估LHON的许多观察性研究目前集中于了解视神经病理学，因为它在大多数情况下会导致中心视力丧失[90]。在这里，我们讨论了人工智能系统如何潜在地帮助LHON的虚拟评估。近年来，研究人员采用不同的方法对白质束进行可视化，如使用弥散张量成像（DTI）的视辐射和视束[91]。后 这一发现增加了对大脑皮层下区域附近形态测量学变化的理解。这将有助于临床医生将皮质下区域如何与LHON的预后相关联。对于视神经病变皮层下区域的观察，超高场成像数据需要7T磁共振。人工智能DL系统运行在各种安装的算法上，采取核心控制，使高分辨率可视化成为可能[91]第91话视神经乳头的大小在LHON中可能有用[92]。大小使用AI/DL系统可以在图像中捕获光盘的图像。设计了各种算法，通过探索其家族的遗传史来研究个体的谱系。这使得临床医生更容易了解患者的背景、他们的家庭以及他们的遗传能力，以接受并提高遗传性遗传疾病（如LHON）的早期诊断率[93]。在治疗和理解LHON方面，使用AI的探索并不多;然而，定量分析与人工智能相结合具有很大的潜力M.D. Subramaniam，A.K. B，R. B。Chirayath等人生命科学中的人工智能1（2021）1000186图四、眼 科 远程评估。远程医疗采用人工智能技术作为眼科疾病纵向诊断的前景图五、 该图描述了AI在医疗保健领域的主要优势和局限性。体外研究追踪LHON的形态学变化、进展和理解眼科远程医疗的优势正在进行试验，以通过物联网、第五代电信网络中的数字创新来扩展人工智能平台，并创建一个自我依赖的生态系统，并为推进与眼科广告相关的最新模式提供前景-各种挑战[94]。使用远程医疗的主要优点之一复制常规临床检查，人工智能和远程医疗正在通过整合有关疾病进展的大量信息，纵向数据使用和实时计算现实世界中的发病率来改进[95，96]。人工智能的应用可以使数据收集成为可能，并存储患者的大数据许多数字创新从诊断到帮助治疗眼疾。眼科疾病的筛查主要是在AI的帮助通过人工智能进行的远程筛查已将其应用扩展到眼科问题，如DR、ROP、青光眼、近视，白内障和AMD[23]。它可以帮助捕获眼部状况，并使眼科远程筛查成为可能。将远程医疗用于筛查和了解遗传疾病将具有很大的优势（图4）。研究已经证明了AI在各种遗传性疾病中的应用，同样，这一理论也可以成功地应用于诊断为LHON的患者。LHON的基因型和表型相关性是一项具有挑战性的任务，但临床上决定治疗是重要的。AI的局限性在技术方面，人工智能对诊断、辅助手术、生物医学研究和生物医学信息处理有重大贡献[97]。我们已经讨论了人工智能在未来革命中的重要作用，但是，它在医学和诊断方面有几个缺点[98]。涉及人工智能系统的最具挑战性的工作将是研究ML的内在方面，涉及具有多种可能性和结果的疾病。首先，各种算法的调节是一项繁琐的任务。人工智能被广泛接受，但很少有M.D. Subramaniam，A.K. B，R. B。Chirayath等人生命科学中的人工智能1（2021）1000187FDA对大多数系统都有严格的验收标准，包括临床试验和透明度。AI犯小错误的可能性很小，在手术和疾病诊断过程中是一个相当大的障碍[99]。在考虑到法律手续的情况下，提出各种收集数据和分析数据的方法，是联合国难民署即将推出的人工智能系统面临的主要挑战之一。人工智能使用不同的方法来分配作为人工智能参考标准的地面标签，它们会受到人为错误的影响。有证据表明，人工智能系统通过非随机化研究（MINORS）的方法学指标产生偏倚评估的风险很高，由于测试原因，MINORS尚未完全用作应用程序[100]。每一个新的系统和算法都必须经过大量的测试和试验，这是非常耗时的，因为它必须经过许多批准，因为整个系统都依赖于试错程序。DL中的神经网络，也称为AI范式，训练数据集这取决于馈送的输入。在某些情况下，输出数据可能会发生变化，这被称为黑盒问题[101]。只有当数据库拥有所有足够的信息来理解特定条件时，AI才会有效地工作[102]。有偏算法不是人工智能的一个常见错误，但在三个不同的情况下会发生-成分的主要形式，即模型方差（不充分数据集）、模型偏倚（选定的多数和代表性不足的组）和输出噪声（通过模型预测的相互作用，不受亚群的影响）[99]。尽管存在各种挑战和风险，AI/DL系统仍在普 遍 改变医疗生态系统的 面 貌 （图1）。5）。结论准确有效的图像判读和令人满意的AI初步结果对眼科有着重大影响。通过人工智能将自动诊断与传统系统融合将有助于眼科医生了解眼部疾病的病理生理学。LHON的诊断需要复杂的基因测试，这是耗时的。因此，AI在临床图像观察中的应用提高了临时诊断的准确性，并有助于早期管理。竞争利益作者声明不存在利益冲突确认作者要感谢科学和工程研究委员会（SERB）提供早期职业研究奖（ECR/2018/000718），印度成功完成这篇文章。引用[1] 李 A ， 泰 勒 P ， Kalpathy-CramerJ ， Tufail A. 机 器 学 习 来 了 ！ 眼 科 学2017;124：1726-8。doi：10.1016/j.ophtha.2017.08.046。[2] 李 康 Y ， 本 吉 奥 Y ， 辛 顿 G. 深 度 学 习 Nature 2015;521 ： 436-44. doi ：10.1038/nature14539。[3] Gulshan V，Peng L，Coram M，Stumpe MC，Wu D，Narayanaswamy A等人，在视网膜眼底照片中检测糖尿病视网膜病变的深度学习算法的开发和验证。JAMA 2016;316：2402-10. doi：10.1001/jama.2016.17216。[4] Ting DSW ， Cheung CYL ， Lim G ， Tan GSW ， Quang ND ， Gan A ， et al.Development 以及使用来自多种族糖尿病人群的视网膜图像验证糖尿病视网膜病 变 和 相 关 眼 病 的 深 度 学 习 系 统 。 JAMA 2017;318 ： 2211-23. doi ：10.1001/jama.2017.18152。[5] Milea D ， Singhal S ， Najjar RP. 人 工 智 能 用 于 检 测 视 盘 异 常 。 Curr OpinNeurol2020：33.[6] Mayro EL，Wang M，Elze T，Pasquale LR. 人工智能的影响 青光眼的诊断和治疗。眼（伦敦）2020;34：1-11。doi：10.1038/s41433-019-0577-X。[7] Bohr A，Memarzadeh K.人工智能在医疗保健应用中的兴起Artif Intell Healthc2020：25-60. do i ：10.1016/B978-0-12-818438-7.00002-2。[8] 吉拉德·米贾第3章人工智能和深度学习在青光眼中的应用：现状和未来展望。In：Bagetta G，Nucci CBTP，editors.青光眼是一种神经退行性疾病。视网膜分离B 部 分 。 Elsevier;2020. 第 37-64 页 。第 257 卷 。 doi：10.1016/bs.pbr.2020.07.002。[9] Lakhani P，Sundaram B.胸部X线摄影的深度学习：使用卷积神经网络对肺结核进行自动分类。放射学2017;284：574-82。doi：10.1148/radio.2017162326。[10] Esteva A，Kuprel B，Novoa RA，KoJ， Swetter SM，Blau HM，et al.皮肤科医 生 级 别 的皮 肤癌分类 与深度 神经网 络。 Nature 2017;542：115-18. doi：10.1038/nature21056。[11] Liu Y，Kohlberger T，Norouzi M，Dahl GE，Smith JL，Mohtashamian A，et al.基于人工ArchPathol Lab Med 2018;143：859-68. doi：10.5858/arpa.2018-0147-OA。[12] 范吉内肯湾胸部成像计算机分析50年：基于规则，机器学习，深度学习。放射性物理技术2017;10：23-32。doi：10.1007/s12194-017-0394-5。[13] Weng SF，RepsJ，KaiJ， Garibaldi JM，Qureshi N.机器学习可以使用常规临床数据改善心血管风险预测吗？PLoS ONE 2017;12：e0174944.[14] SchoepfUJ，Schneider AC，Das M，Wood SA，Cheema JI，Costello P. 肺栓塞：多排螺旋CT的计算机辅助检测。JThorac Imaging 2007;22：319[15] Komeda Y，Handa H，Watanabe T，Nomura T，Kitahashi M，Sakurai T，et al.基于卷积神经网络系统的结肠直肠息肉分类计算机辅助诊断：初步经验。肿瘤学2017;93：30-4. doi：10.1159/000481227。[16] 李志，王英，于军，郭英，曹伟。基于深度学习的放射组学（DLR）及其在低级别 胶 质 瘤 的 非 侵 入 性 IDH1 预 测 中 的 应 用 。 Sci Rep 2017;7 ： 5467. doi ：10.1038/s41598-017-05848-2。[17] Jo T，Nho K，Saykin AJ.阿尔茨海默病的深度学习：使用神经成像数据进行诊断分类和预后预测。2019年11月20日，《前沿衰老[18] XuJ， Xue K，Zhang K. 临床诊断的现状和未来趋势基于图像的深度学习。Theranostics 2019;9：7556-65. doi：10.7150/thno.38065。[19] 陆伟，童勇，余勇，邢勇，陈春，沈勇。人工智能在眼科学中的应用：概述。JOphthalmol 2018;2018：5278196。doi：10.1155/2018/5278196。[20] Cavichini M，An C，Bartsch DUG，Jhingan M，Amador-Patarroyo MJ，Long CP等人，眼底相机和扫描激光检眼镜图像自动叠加的人工智能。《视觉科学技术》2020;9：56。doi：10.1167/tvst.9.2.56。[21] DahroujM、米勒JB公司简介情报（大赦国际）和视网膜光学相 干 断 层 扫 描 （ OCT ） 。 眼 科 研 讨 会 2021;36 ： 341-5 。 doi ：10.1080/08820538.2021.1901123。[22] 作者：Wong TY. 2020年眼科的人工智能：一项处于转化和实施风口浪尖的技术Asia Pac J Ophthalmol 2020;9：61-6.[23] 杜晓丽，李文彬，胡秉杰.人工智能在眼科中的应用国际眼科杂志2018;11：1555-61。doi：10.18240/ijo.2018.09.21。[24] AkkaraJ ， Kuriakose A. 人 工 智 能 和 机 器 学 习 在 眼 科 学 中 的 作 用 KeralaJOphthalmol 2019;31：150doi：10.4103/kjo.kjo_54_19。[25] Keskinbora K，Güven F.人工智能和眼科。土耳其JOph- thalmol 2020;50：37doi：10.4274/tjo.galenos.2020.78989。[26] 张宁，米切尔P，黄泰。糖尿病视网膜病变。柳叶刀2010;376：124-36. doi：10.1016/S0140-6736（09）62124-3。[27] [10]杨文，李文，李文.深入了解人工智能在眼科学中日益普及的情况印度眼科杂志2020;68：1339doi：10.4103/ijo.IJO_1754_19。[28] Ting DSW ， Cheung CYL ， Lim G ， Tan GSW ， Quang ND ， Gan A ， et al.Development 以及使用来自多种族糖尿病人群的视网膜图像验证糖尿病视网膜病 变 和 相 关 眼 病 的 深 度 学 习 系 统 。 JAMA 2017;318 ： 2211-23. doi ：10.1001/jama.2017.18152。[29] Yun WL，Rajendra Acharya U，Venkatesh YV，Chee C，Min LC，Ng EYK.使用视网膜光学图像识别糖尿病视网膜病变的不同阶段。Inf Sci（NY）2008;178：106-21. doi ：10.1016/j.ins.2007.07.020。[30] 李伟杰，李伟杰，李伟杰.全自动糖尿病视网膜病变筛查-使用形态成分分析。ComputMedImagingGraph2015;43：78-88.doi：10.1016/j.compmedimag.2015.03.004。[31] Yazid H，Arof H，Isa HM. 基于逆表面阈值的渗出物和视盘的自动识别医学系统杂志2012;36：1997-2004。d o i ：10.1007/s10916-011-9659-4。[32] Akyol K，Baghen B，Bayır.利用关键点检测、纹理分析和视觉词典技术自动检测视 网 膜 图 像 中 的 视 盘 。 计 算 数 学 方 法 医 学 2016;2016 ： 6814791 。 doi ：10.1155/2016/6814791。[33] ElTanboly A，Ismail M，Shalaby A，Switala A，El-Baz A，Schaal S等人，用于在光学相干断层扫描图像中检测糖尿病视网膜病变的计算机辅助诊断系统。MedPhys 2017;44：914-23. doi：10.1002/mp.12071。[34] KrauseJ ， Gulshan V ， Rahimy E ， Karth P， Widner K ， Corrado GS， et al.Grader variability and the importance of reference standards for evaluatingmachine learning models for diabetic retinopathy.眼科学2018;125：1264-72。doi：10.1016/j.ophtha.2018.01.034。[35] Abràmo Mr. MD，Lavin PT，Birch M，Shah N，Folk JC.在初级保健机构中检测糖尿病视网膜病变的自主AI诊断系统的初步试验。Npj Digit Med 2018;1：39. doi：10.1038/s41746-018-0040-6。M.D. Subramaniam，A.K. B，R. B。Chirayath等人生命科学中的人工智能1（2021）1000188[36] Sosale B，Aravind SR，Murt