随着人工智能(artificial intelligence，AI)技术在医疗领域的广泛应用，将AI技术与病理性近视(pathological myopia，PM)相结合的研究逐渐成为热点。在诊断分级标准和量化分割技术的基础上，通过深度学习算法重点对眼底相片、光学相干断层扫描等影像信息进行分析，实现了PM的早期筛查、识别诊断和监测的试验性效益。本文主要对近年来AI技术在PM领域取得的研究成果进行综述，并探讨其临床诊断与病情监测的应用价值。
本刊版权归人民卫生出版社有限公司所有。任何机构或个人欲转发本刊图文，请与本刊联系。凡未经授权而转载、摘编本刊文章者，本刊将保留追究其法律责任的权利。
近视是一种常见的眼科疾病，主要发生发展在儿童期至成年早期。当眼轴过度伸长使平行光线在视网膜前聚焦，视网膜上不能呈现清晰图像，进而导致视远模糊的屈光不正，称为近视。根据流行病学调查，目前全球约有超过14亿人患有近视，占总人口的22.9%，其中1.6亿人患有高度近视，占总人口的2.7%；到2050年，全世界近视人口总数预计会超过47亿[1]。近视可逐渐发展为高度近视(high myopia，HM)和病理性近视(pathological myopia，PM)。病理性近视又称为变性性近视(degenerative myopia)，指的是伴有或不伴有高度近视(屈光度≥－6.00D，眼轴长度≥26.50mm)同时存在巩膜、脉络膜、视网膜病理性改变和视力损伤，其发病机制可能与"遗传-环境因素"之间的交互作用相关。PM已成为人群第二位致盲性眼病[2]，是全球范围内高度重视的眼科疾病之一[3]。流行病学报告显示，PM的患病率为0.9%~3.1%，可归因于PM视觉损伤的患病率在0.1%~0.5%(欧洲)和0.2%~1.4%(亚洲)，严重影响患者的生活质量、心理社会功能和职业表现[4]。近年来，对PM患者的筛查、诊断和治疗成为眼科发展热点，但是传统医疗手段对PM的早期诊治仍存在欠缺。
随着人工智能(artificial intelligence，AI)算法和核心技术快速发展，在医疗卫生领域中的应用越来越广泛，为解决PM早期诊治的困境提供了新的思路。AI通过大数据技术对临床影像资料和相关数据进行汇集，使用图像处理滤波器提取各种类型的图像病理性特征[5]，利用计算机强大的算法分析、挖掘数据，辅助医生或直接参与PM的临床决策。本文主要对AI深度学习技术在PM早期筛查识别、诊断分级、监测进展与预测评估应用中取得的研究成果进行综述，并探讨其临床应用的价值。
AI视觉技术的发展使其被赋予图像识别、描述、分类的能力。而PM病灶的筛查高度依赖于影像分析，眼底相片(fundus photography，FP)、光学相干断层扫描(optical coherence tomography，OCT)和OCT血管造影(optical coherence tomography angiography，OCTA)均有助于发现早期PM相关病变，如黄斑劈裂、视网膜脉络膜萎缩、脉络膜新生血管、后巩膜葡萄肿等。这成为AI辅助识别PM的重要条件之一。目前，AI深度学习技术可实现对FP中的生理病理结构进行自动化分割和数据分析[6]。Fu等[7]基于M-Net的深度学习体系，搭建了多标签深度学习网络和极性转换系统；Jiang等[8]研发了JointRCNN算法，对FP中的视杯视盘进行了精准的自动化分割和病灶检测。Lin等[9]开发了人工智能识别系统，筛查诊断包括PM在内的视网膜病变。Wu等[10]提出了基于深度学习算法的"NFN+算法"，能够比现有模型更准确地在FP上标注、分割视网膜血管，辅助眼科医师进行诊断和治疗。
近年来，卷积神经网络(convolutional neural network，CNN)模型在AI医学影像采集、筛查和识别领域被广泛应用，并且在各类研究中取得了突破性的进展。Rauf等[11]使用CNN模型识别FP判断PM，曲线下面积(area under curve，AUC)为0.984 5。万程等[12]针对高度近视FP中可能出现的豹纹状眼底、近视弧形斑和黄斑区域白色萎缩斑，使用基于CNN模型的深度学习网络ResNeXt-50模型进行高度近视患者FP分类，实现了PM诊断，区分正常眼底与PM眼底，AUC为0.986 1。Tan等[13]基于超过225 000幅FP训练深度学习算法，开发基于CNN模型的ResNet-101深度学习算法识别PM黄斑变性，并进行了回顾性多国多队列的研究，其诊断AUC可达0.969，有望成为全球近视人群中PM风险分层和筛查的有效工具。Hemelings等[14]同样基于CNN模型，训练AI对FP进行自动诊断和分类，同时将病变部位(视盘、视网膜萎缩、视网膜脱离)进行标注，同时对PM进行分类及分割相关病变，AUC值为0.986 7。Zhang等[15]基于超广角(ultra-widefield，UWF)成像技术的成像数据集开发了DeepUWF的自动眼底健康筛查系统，用于筛查和诊断PM等疾病异常眼底，提高了模型的预测灵敏度和特异性。
目前研究对脉络膜血管区域[16]、脉络膜厚度[17]、视盘周围萎缩灶[18]等结构和改变进行AI分析探索。现有技术也实现了对影像中生理结构的自动化分割及定量分析，用于致盲性视网膜病的筛查和诊断。Antony等[19]运用基于成本函数的图论方法框架对频域OCT图像中视网膜层次进行自动化分层分割；Dodo等[20]利用模糊直方图增生法和图切算法，捕捉视网膜结构的独特特征，在OCT图像上实现8个边界跨越分割为7个视网膜层；Liu等[21]通过应用深度学习改良神经网络算法模型，实现对广度扫描OCT图像中脉络膜血管区域结构的自动化识别、分割和定量分析。Li等[22]通过分析高度近视患者眼底OCT图像，采用InceptionResnet V2架构训练CNN模型识别PM并发症：视网膜劈裂、黄斑裂孔、视网膜脱离和脉络膜新生血管；其敏感度胜于视网膜病专科医师，特异度超过90%。Sogawa等[23]运用SS-OCT影像训练CNN从而建立深度学习模型，用以识别无黄斑病变的正常眼底与有近视性黄斑病变的眼底图像，AUC可达0.970，有较高的准确性；在比较DNNs模型和眼科医生对近视性黄斑病变的分类诊断情况时，该模型与眼科医生的诊断结果没有显著性差异。
由于AI技术在眼科辅助诊断应用中主要处于开发阶段，在模拟学习和实际验证中尚存在局限和挑战，例如AI视觉系统对"对抗性图像"的逃逸行为。尽管如此，采用深度学习模型识别眼底病变仍存在较高的准确性，可以快速简洁地辅助PM筛查，既保证了准确性，又极大提高了PM的诊断工作效率。
黄斑区进行性萎缩可导致中心视力缓慢丧失，所产生的眼底病变甚至可能导致永久失明或眼球萎缩，例如病理性近视性黄斑变性(myopic macular degeneration，MMD)、后巩膜葡萄肿、黄斑劈裂、黄斑出血、视网膜脱离、脉络膜新生血管等。目前，AI技术主要通过META-MMD分级系统和ATN分级系统实现PM的筛查、识别、诊断和评估。2015年Ohno-Matsui等[24]提出了2015-META-PM眼底病变及MMD分级(图1)，广泛应用于眼底图像的判读。Ruiz-Medrano等[25]在2019年将PM黄斑病变分为萎缩性部分(A)、牵引性部分(T)、新生血管部分(N)三大部分，并在此基础上提出了新的PM黄斑病变ATN分级系统(表1)。
注：PM在高度近视的基础上产生的眼底病变包括近视弧形斑、漆裂纹、黄斑出血、后巩膜葡萄肿等。MMD分为五级，0级(无视网膜退行性病变)；1级(豹纹状眼底)；2级(弥漫性脉络膜视网膜萎缩)；3级(斑块状脉络膜视网膜萎缩)；4级(黄斑萎缩以及另外3个附加病变，即漆裂纹、脉络膜新生血管和Fuchs斑)。在此标准中，2级以上或具有至少1个附加病变即可诊断为PM。PM，病理性近视；MMD，病理性近视性黄斑变性。图1修改自Servier Medical Art(http：//smart.servier.com/)。
ATN分级系统
ATN分级系统
| 黄斑萎缩性部分(A) | 眼底表现(A) | 牵引性部分(T) | 眼底表现(T) | 新生血管部分(N) | 眼底表现(N) |
|---|---|---|---|---|---|
| A0 | 无视网膜退行性改变 | T0 | 无黄斑劈裂 | N0 | 无黄斑新生血管 |
| A1 | 豹纹状眼底 | T1 | 内层或外层黄斑劈裂 | N1 | 黄斑漆裂样纹 |
| A2 | 弥漫性脉络膜视网膜萎缩 | T2 | 全层黄斑劈裂 | N2a | 活动性黄斑新生血管 |
| A3 | 斑块状脉络膜视网膜萎缩 | T3 | 黄斑中心凹脱离 | N2b | 瘢痕或Fuchs斑 |
| A4 | 完全黄斑萎缩 | T4 | 全层黄斑裂孔 | T5 | 黄斑裂孔+视网膜脱离 |
Tang等[26]利用ResNet-50和DeepLabv3+网络建立病灶分类和分割识别模型，该模型能够准确、自动地对近视性黄斑病变按照2015-META-PM标准进行分级、诊断PM、监测病变的进展。陈楠等[27]为构建PM的AI辅助诊断模型，研究组对4 489张高度近视患者FP根据2015-META-PM进行诊断标注，并建立VGG16全卷积神经网络及ResNet50深度残差网络，两种高度近视自动分级诊断模型对PM诊断灵敏度、特异度、准确率均在70%以上。Du等[28]将视盘区域的PM相关黄斑病变在2015-META-PM的基础上实现周围弥漫性脉络膜视网膜萎缩(peripapillary diffuse choroidal atrophy，PDCA)和黄斑弥漫性脉络膜视网膜萎缩(macular diffuse choroidal atrophy，MDCA)的分级，通过机器学习方法发现视盘区与近视黄斑病相关的8个新影像特征。Du等[29,30]通过深度学习算法添加特定处理层开发了分级系统，即根据2015-Meta-PM标准识别PM黄斑病变的关键特征并进行分级判定，例如近视新生血管生成(myopic neovascularization，MNV)、近视牵引性黄斑病变(myopic traction maculopathy，MTM)和穹顶状黄斑(dome-shaped macula，DSM)，该模型算法展现了高灵敏度和特异性。此外，Wan等[31]提出深度卷积神经网络(deep convolutional neural network，DCNN)的辅助诊断算法，可将眼底图像自动分为正常眼底、低危高度近视和高危高度近视3类，低危高度近视AUC为0.996 8，高危高度近视AUC为0.996 4，其表现优于眼科医师。He等[32]应用深度学习技术开发一种转移学习(transfer learning，TL)自动智能分类系统，根据ATN系统对PM患者的3 400张黄斑OCT图像的数据集进行分级诊断，在训练过程中表现出良好的性能，展现出远期应用价值。
PM的进展监测也是当下AI研究的热点之一。利用近视度数和眼底病理特点的相关性，监测PM的进展和指导治疗，为临床干预提供指示、评估治疗反应和预后判断。Tang等[33]采用支持向量机(support vector machine，SVM)等6种机器学习模型处理多模态数据，对青少年眼部光学参数和社会学信息使用5折交叉验证法训练和测试模型，预测不同年龄近视人群眼轴增长1mm所对应的等效球镜度数变化量。Yoo等[34]使用梯度类加权激活映射(gradient-weighted class activation mapping，Grad-CAM)技术实现特征可视化，开发验证了基于OCT图像的AI深度学习模型以预测等效球镜度数、检测近视性眼底病变。石征锦等[35]利用稠密连接卷积网络(DenseNet)模型提取广角激光眼底图像中的近视性眼底改变特征进行屈光度的预测。Varadarajan等[36]应用226 870幅FP提取眼底图像特征，训练并验证"attention"模型，用来预测屈光度数，取得了较高的准确率。
在近视综合诊治、持续监测、立体评估的研究趋势下，预测近视未来相关并发症风险的算法将具有更大的临床意义。Zhang等[37]开发了生物医学和图像信息学诊断PM的电脑辅助诊断系统(Pathological Myopia diagnosis through Biomedical and Image Informatics，PM-BMII)，将遗传、人口统计学等风险因素信息综合分析，其诊断AUC为0.888。Zapata团队[38]开发的Optretina远程医疗平台，可以实现对FP和OCT等眼底影像综合采集、诊断；结果表明Optretina在训练后可对眼底影像进行分类并诊断黄斑病变，敏感度达到97.7%，特异度达到92.4%，准确度可达96%。Lin等[39]对国内多中心来源的68万余份电子病历数据进行AI算法训练分析，用以预测儿童是否会进展为高度近视，该模型3年内预测准确度超过90%，8年内预测准确度超过80%。郭振等[40]基于DCNN方法自动测量FP上全局和局部豹纹分布密度，建立了豹纹状眼底图分割模型，并计算视野范围内后极部豹纹密度(fundus tessellation density，FTD)、黄斑区豹纹密度(macular tessellation density，MTD)、视盘区豹纹密度(peripapillary tessellation density，PTD)，更准确地辅助临床预测和评估豹纹状眼底改变对近视进展的影响。例如，基于OCT的MTM分级系统的开发可为外科干预提供更精确的指示，为每个不同阶段提供管理建议[41]。此外，Kim等[42]应用FP和OCT将中央凹、视盘和眼最深点(deepest point of the eye，DPE)作为关键指标来量化后巩膜断层相对高度(tomographic elevation of the posterior sclera，TEPS)，综合评估TEPS、眼轴和脉络膜厚度，建立了良好的计算模型用来筛查、预测PM，AUC为0.868。然而，对于PM病灶的远期预测及预后评估研究尚处于初期阶段，对于提高预测结果的准确率及预后分析仍处于瓶颈状态，需要开展更多临床试验研究以利于临床治疗。
近年来，AI深度学习技术在PM早期筛查识别、诊断分级、监测进展与预测评估应用中取得了成果。然而，目前AI技术对PM的应用方向主要是疾病的初步诊断和分类，临床适用性尚存在不足，关于PM预后和转归的预测研究相对较少，患者实际获益程度等问题仍值得深入探讨。提高AI技术对PM的诊断、评估和预测的准确性、敏感度和特异度，规范AI实验室的研究方法，在人力、物力、财力和信息技术的综合管理下，AI技术的应用将会取得更多突破性进展，更好地实现AI技术的临床转化。
