人工智能在眼科疾病领域的最新研究进展
人工智能在眼科疾病领域的最新研究进展
人工智能在医疗领域的应用正在不断拓展，尤其是在眼科疾病领域，AI技术正展现出巨大的潜力。本文精选了多篇顶级期刊论文，从多个角度探讨了AI在眼科疾病筛查、诊断和治疗中的最新研究进展。
EyeMoS+：用于眼科疾病筛查的新型多模态学习框架
这篇文章介绍了EyeMoS+，一种新型的多模态学习框架，用于眼科疾病筛查。该框架通过融合来自不同来源的信息来提高诊断的准确性，特别是针对糖尿病视网膜病变（DR）、糖尿病性黄斑水肿（DME）和年龄相关性黄斑变性（AMD）等眼科疾病。
EyeMoS+利用了视网膜眼底图像（Fundus）和光学相干断层扫描（OCT）这两种常见的二维和三维成像技术。该方法不仅关注预测的准确性，还重视预测的信心度和鲁棒性，通过正态逆伽马（Normal-inverse Gamma, NIG）先验分布学习单模态数据的随机性和认知性不确定性。此外，该方法提出了一种基于信心度感知的融合框架，使用混合学生t分布来有效整合不同模态，增强模型的稳健性和可靠性。实验验证了模型在稳健性、准确性和可靠性方面的表现，特别是在处理噪声输入、识别缺失模式和处理未见数据方面的能力。
探讨在中国实施由数字技术驱动的分层医疗筛查模式带来的成本效益和成本效用
这篇文章探讨了在中国实施一种由数字技术驱动的分层医疗筛查模式（DH筛查）的成本效益和成本效用，特别是针对白内障筛查。研究使用了决策分析马尔可夫模型来评估不同白内障筛查策略（无筛查、远程筛查、AI筛查和DH筛查）的成本效益和成本效用。模拟了一个由10万人组成的队列，从50岁开始，通过30个1年的马尔可夫周期进行模拟。
主要结果显示，DH筛查在城市和农村中国都优于无筛查、远程筛查和AI筛查。与远程筛查相比，年度DH筛查是最具成本效益的策略，分别在城市和农村避免了341（338至344）年和1326（1312至1340）年的失明。与AI筛查相比，在城市和农村分别避免了37（35至39）年和140（131至148）年的失明。所有敏感性分析都证实了这些发现的稳健性。
研究表明，DH筛查在中国城市和农村都是成本效益的，并且年度筛查是最具有成本效益的选择，为低收入和中等收入国家的决策者促进公共眼部健康提供了经济理由。
在眼科领域，如何通过隐式公平学习方法构建一个更公平的AI系统，以减少性别和年龄偏见
这篇文章讨论了在眼科领域中，如何通过一种名为FairerOPTH的隐式公平学习方法来构建一个更公平的人工智能（AI）系统，以减少性别和年龄偏见。研究团队强调了AI在医疗领域中准确性和公平性的重要性，并指出有偏见的医疗AI系统可能对实现公平和平等的医疗保健构成重大风险。
FairerOPTH系统结合了眼底特征与眼病之间的因果关系，这种关系相对独立于种族、性别和年龄等敏感属性。研究结果表明，在对8,405名患者进行的大规模和多样化的数据集上，FairerOPTH在38种眼底超广角成像和16种眼底窄角成像的眼病诊断的准确性和公平性方面，显著优于几种现有的最先进方法。
文章还探讨了AI在眼科中实现公平性的挑战，包括样本不平衡、眼底图像的内在多样性、与个体属性相关的健康差异以及数据收集方法的偏差。为了解决这些挑战，研究者开发了一种公平意识算法，以考虑样本不平衡、适应疾病多样性、减轻属性偏见，并使用公平的数据收集实践获取的数据。
此外，文章还报告了FairerOPTH在不同年龄和性别组别的患者中筛查眼病的性能，并与其他几种最先进的多标签分类方法进行了比较。结果表明，FairerOPTH在减少性别偏见方面表现更好，特别是在诊断晶状体脱位等疾病时。FairerOPTH还能够在不依赖眼底特征注释的情况下，直接部署在眼底图像数据集上。
早期视觉经验对后期使用颜色线索的影响
这篇文章探讨了早期视觉经验对后来使用颜色线索的影响。研究基于对10名先天性失明儿童的观察，这些儿童在后期通过手术恢复了视力。研究发现，在去除颜色线索后，这些儿童的识别表现显著下降，而同龄的正常视力儿童则没有这种下降。这可能是因为晚期恢复视力的儿童在视力恢复时，他们的颜色系统比新生儿更为成熟，导致他们过度依赖颜色线索。通过深度神经网络的模拟实验支持了这一假设。
研究还指出，灵长类动物，包括人类，在颜色视觉方面非常出色，仅次于鸟类。颜色处理在灵长类动物的神经生理学中占有重要地位，主要视觉皮层对颜色非常敏感，而且大部分神经元对颜色有选择性。颜色信息与视觉记忆有交互作用，能够增强对视觉场景的记忆，并且物体的颜色外观也会受到记忆的影响。
实验中，参与者被要求识别常见物品的黑白图像和全色图像。结果显示，对于Prakash项目中的失明后恢复视力的个体，颜色和灰度图像的识别表现有显著差异。研究者提出了一个假设：正常发展的婴儿从不成熟的视觉系统开始，新生儿视网膜上的视锥细胞在传导能力上有限，这限制了婴儿体验到的颜色输入。与此相反，Prakash儿童在手术后立即拥有了更成熟的视锥细胞，能够提供接近正常的颜色视觉。尽管一开始拥有良好的颜色视觉可能看起来是理想的，但研究者假设Prakash儿童立即沉浸在丰富的颜色图像中可能实际上对他们不利，可能导致他们对颜色线索的不自然过度依赖。
为了验证这一假设，研究者测试了Prakash儿童手术后的颜色敏感性，并进行了计算模拟。结果显示，Prakash儿童在手术后立即展现出成熟的色觉。使用深度卷积神经网络（DCNNs）的计算研究进一步评估了早期颜色敏感性对后期图像分类性能的影响。研究发现，与立即接受全色图像训练的C2C模型相比，从灰度到颜色训练的G2C模型在灰度图像上的表现更为稳定。
研究结论指出，正常发展过程中的初始颜色感知限制可能是适应性和有益的，而不是不利的。这为正常发展的方式提供了可能的解释，并指出即使那些看似提高输入质量的偏差，也可能对后来的表现产生负面影响。这一假设也可能与理解系统发育发展有关。
研究结果对设计临床干预措施具有潜在意义，特别是在晚期视力恢复的背景下，建议在手术后立即进行有意识的颜色减少，以促进后期分类的稳健性。此外，这些发现表明，从生物发展中汲取见解可以帮助提高机器视觉系统的整体性能。研究还可能与理解哺乳动物视觉系统的关键组织原则有关，即大细胞和锥细胞途径的不同敏感性。
关于代谢组学在常见遗传性视网膜退化症鉴别诊断中的应用
这篇文章是关于代谢组学在常见遗传性视网膜退化症（Inherited Retinal Degenerations, IRD）的鉴别诊断中的应用。研究团队通过分析血清代谢物的轮廓，探索了它们在IRD中的诊断潜力。
研究显示，IRD的常见类型，包括视网膜色素变性（Retinitis Pigmentosa, RP）、锥杆细胞营养不良（Cone-Rod Dystrophy, CRD）、Stargardt病（STGD）和Bietti结晶体营养不良（BCD），可以根据它们的代谢物热图区分。与对照组相比，除了BCD外，每种IRD都在火山图中识别出数百种代谢物，这些代谢物被视为潜在的诊断标记。
研究中利用机器学习模型，以100%的准确率区分CRD和STGD的表型，尽管它们在临床上有重叠。此外，EYS、USH2A相关RP和其他RP类型，尽管在临床上有相似特征，也可以使用机器学习模型以85.7%的准确率诊断。
研究提出了一个基于代谢组学的诊断工作流程，结合质谱和机器学习，用于IRD的临床和分子诊断。研究强调了代谢组学在IRD诊断中的潜力，并提出了一个新的诊断方法，该方法可能有助于在基因治疗等治疗策略中实现更早和更准确的诊断。
人工智能（AI）从眼底摄影和光学相干断层扫描图像中检测糖尿病性黄斑水肿方面的性能研究
这篇文章是一项系统综述和元分析，研究了人工智能（AI）在从眼底摄影（Fundus Photography, FP）和光学相干断层扫描（Optical Coherence Tomography, OCT）图像中检测糖尿病性黄斑水肿（Diabetic Macular Edema, DME）方面的性能。
研究发现，基于FP和OCT的AI均展现出令人满意的性能，其中OCT基础的AI表现更佳。研究还探讨了提高模型性能的潜在因素，包括深度学习技术、更大的训练数据集和更高的数据多样性。
研究结果表明，FP基础的AI算法可以整合到现有的糖尿病视网膜病变筛查项目中，以提高临床工作流程；而OCT基础的AI算法可以用来更准确地检测FP阳性个体中的DME。
研究还指出，需要进一步的外部验证来评估模型的普适性，并提出了未来研究的方向，包括估算最优样本量、OCT体积扫描的影响、报告标准化等。
研究的主要结论包括：
- 基于FP和OCT的AI在检测DME方面都获得了满意的性能。
- 深度学习技术、更大的训练数据集和更多的数据多样性可能提高模型性能。
- FP基础的算法可以整合到现有的糖尿病视网膜病变筛查程序中，以提高临床工作流程。
- OCT基础的算法可以用来更准确地筛查FP阳性个体中的DME。
研究的局限性在于，算法结果的标准化不足，以及在患者人口统计学、OCT体积扫描和外部验证方面的数据不足。未来的研究需要进行外部验证，以评估模型的普适性，并进一步探讨最优样本量、类别平衡、患者人口统计学以及OCT体积扫描的额外益处。