人工智能在眼整形外科中的應用

馬櫻格,李史序,張詠鑫,梅 軍,葉 琳,楊美娜

0 引言

現階段,人工智能(artificial intelligence,AI)在醫療領域的應用和發展已被證明具有廣泛的前景。目前,AI已在婦產科腫瘤的識別[1]、消化科癌癥的篩查[2]、皮膚科癌癥的分級[3]及心血管科疾病的監測[4]等多個醫學學科領域中得到了廣泛應用,在提高診療準確度和效率的同時,也大大緩解了醫生的工作壓力。AI在醫學領域的應用,為精準醫療的發展和推動做出了巨大貢獻。

當前,國內外學者對AI技術在眼科領域的應用也開展了大量工作并取得了一定成效[5]。例如,掃描激光眼底檢查(scanning laser ophthalmoscopy,SLO)和光學相干斷層掃描(optical coherence tomography,OCT)等技術的廣泛應用為眼科模型的開發提供了豐富的影像數據,所以對于AI在診斷糖尿病視網膜病變 (diabetic retinopathy,DR)、年齡相關性黃斑變性(age-related macular degeneration,ARMD)及早產兒視網膜病變(retinopathy of prematurity,ROP)等眼后段疾病[6]的研究迅速發展了起來。另外,角膜地形圖和活體共聚焦顯微鏡(invivoconfocal microscopy,IVCM)的逐步應用也為圓錐角膜、瞼板腺功能障礙及翼狀胬肉等眼表疾病的AI研究提供了大量的圖像數據[7]。近年來,隨著AI與眼科學之間的研究逐漸深入,AI在眼整形外科中的應用也取得了突破進展。本文旨對目前AI在眼整形外科的應用研究及有關成果作一綜述,并根據研究的現狀提出未來的發展方向。進一步幫助眼整形外科醫生加深對該領域的了解,為更多的研究者探索該領域提供一定的思路。

1 AI的概述

AI是以編程的形式使計算機、機器人表現出來類似于人類的智能,可以模仿人類思維能力、從示例和經驗中學習、識別圖像、制定決策等[8]。John McCarthy在1956年Dartmouth會議上提出了“人工智能”這個概念[9],隨著計算機學科的發展,AI已經取得了前所未有的進步,是一門綜合統計學、概率論、語言學及數理統計等多學科的交叉前沿科學。

目前AI在醫學影像放射[10]、心血管疾病[11]、基礎病理生理[12]等醫學領域受到越來越多的重視并得到迅速發展。AI最常見的兩個子領域是機器學習(machine learning,ML)和深度學習(deep learning,DL)[13]。機器學習是AI的技術實現核心,是使計算機具有智能的根本途徑[14]。隨著對ML研究的深入,AI的部分性能和精確度甚至已超越人類,尤其是在面部的識別、圖像的分類以及結果的判讀等方面AI具有不可比擬的優勢。隨著圖形處理單元的出現,數學模型的進步以及大數據集和低成本傳感器的應用,DL作為ML的新的子領域得到了快速的發展,DL主要分為卷積神經網絡( convolutional neural network,CNN) 和人工神經網絡(artificial neural network,ANN)[15]。DL的核心思想是ANN,它不僅可以作為分類器,還可以作為特征提取器[13]。然而,最適合成像數據的深度學習結構是CNN[16]。

2 AI在眼整形外科中的應用

眼整形外科作為眼科學和整形外科的交叉學科,在病情評估、治療方案設計、手術方式優化選擇以及術后病理快速、準確檢測等方面對患者的預后具有至關重要的影響。而且眼整形外科是一門高度精細的學科,AI的精準量化指標可以填補醫生僅憑視覺和直覺的缺陷,運用這些指標進行手術設計和模擬,可以提高術后效果的可預測性。同時,通過AI對患者眼部結構和功能狀態的了解,還可以幫助醫師做出更加合理的診療決策,并能及時調整治療計劃。因此,我們需要將AI的獨特優勢與眼整形外科自身的學科特點相結合,使其成為眼整形外科在診斷和療效評估方面研究的熱門話題和強有力的工具。

2.1上瞼下垂上瞼下垂即上眼瞼降至正常位置以下的一種疾病,是由多種原因引起的,包括肌源性、神經源性、腱膜性、機械性或外傷性[17-18]。嚴重情況下,上瞼下垂可能會對視力發育產生影響,特別是對于嬰兒和青少年上瞼下垂的及時診治。而且,上瞼下垂導致的異常的外觀還可能會造成患者的心身疾病。目前,手術是治療上瞼下垂的主要方法,其中提上瞼肌切除術和額肌懸吊是最常見的兩種手術方法[19-20]。然而,與大多數解剖修復的醫學手術不同,上瞼下垂手術還涉及美學方面的考慮[21],所以需要眼整形外科醫生對手術方案的設計更加慎重。

眼瞼形態參數的自動測量和基于AI技術的自動手術決策是近年來的兩個研究熱點[22-25]。Coombes等[26]開發了一種連接裂隙燈的數碼攝影系統,并測量了眼瞼的5個參數。通過這種方法,將患者的頭部穩定在同一平面上,并生成標準化的眼瞼圖像。結果表明,與傳統的手持尺子測量相比,數字攝影系統的觀察者之間和觀察者內部的可變性很高。但是數碼攝影系統仍然比傳統方法有優勢。利用人臉檢測技術對大量照片進行人臉檢測,可以克服結果的不確定性,使測量結果更加準確。Chen等[24]利用MAIA軟件編制CNN算法,基于智能手機拍攝的外眼照片,建立了自動測量上瞼緣角膜映光距離(MRD1)、下瞼緣角膜映光距離(MRD2)和提上瞼肌肌力的DL模型。這項研究是第一個基于智能手機的眼瞼形態參數自動測量的深度學習模型。與人工測量結果相比,AI測量結果更加客觀。近年也有將AI技術的研究用于輔助上瞼下垂的診斷,Tabuchi等[27]通過預訓練的MobileNetV2卷積神經網絡開發了一個模型,用Score-CAM可視化了模型如何捕獲測試數據的特征,隨后驗證了是否可以使用圖像自動診斷上瞼下垂,他們采用k-fold交叉驗證(k=5)將訓練和驗證分離。檢查受試者工作特征曲線檢測上瞼下垂的敏感性為83.0%(95%CI:79.8-85.9),特異性為82.5% (95%CI:79.4-85.4)。驗證數據的準確度為82.8%,AUC為0.900 (95%CI:0.882-0.917),證明了該模型診斷上瞼下垂具有很高的準確性。同年,Hung等[28]基于VGG-16神經網絡實現了對上瞼下垂患者單眼外觀照片的自動識別,結果顯示AI對上瞼下垂的診斷優于全科醫生。另外,AI還為規劃手術策略提供了客觀的依據,而不是僅依賴于外科醫生的經驗來做出診療。Mawatari等[29]用鏡像處理軟件創建上瞼下垂手術后預期外觀圖像,預測圖像顯示邊緣反射距離-1降低,眉毛高度增加,皮膚高度高于術后結果。因此,在上瞼下垂手術前,建立預期的術后圖像是一個有用的模擬程序,可以幫助患者預測術后可能的外觀。Song等[30]將7個與上瞼下垂相關的2D和3D眼部數據整合到數據庫中,構建了上瞼下垂手術決策模型。他們設置了3種實驗方案:單獨使用2D距離、單獨使用3D距離、同時使用兩個距離進行試驗設計。三種方案的手術分類精度分別為0.8333、0.7778和1.0000。結果表明該模型在2D和3D數據聯合使用時效果最好。最后,建立計算機輔助上瞼下垂手術設計。但由于時間和空間的原因,該研究沒有涉及參數和結果的相關性研究,所以還有待于進一步的研究。上述研究說明AI可以減少傳統的低效率或障礙,在上瞼下垂的檢測、診斷及治療決策方面大大提高了效率和準確率。

2.2單瞼隨著社會經濟的快速發展,人們對美的需求也日益增加,目前追求重瞼形態的人也日漸增多。1929年,Maruo在JapaneseJournalofOphthalmology上報道了首例切開法重瞼成形術。如今,重瞼成形術的誕生已經有上百年的歷史,也涌現出許多不同的手術方式,例如縫線法、切開法和埋線法等[31-32]。然而,不同的種族、文化及個人偏好都造成了對美的不同理解。另外,由于人眼解剖結構相對復雜,每個人都具有自己獨特的眼形和眉形,她們是否適合重瞼以及適合什么樣的重瞼,都必須綜合大眾的審美和求美者自身的取向。因此,在手術前需要做謹慎的評估,選擇適合的手術方式。

以審美為目的的眼瞼手術需要藝術判斷和客觀評價。但由于頭部的運動和面部表情導致的細微差異,很難對眼瞼手術進行比較和真正客觀的評價。隨著AI技術的發展和普及,通過機器學習算法對人臉特征進行分析并建立模型來實現面部外觀評價已經成為研究熱點之一。Zhai等[33]提出了一種全新的面部檢測新方法BeautyNet用于面部美麗預測,該方法基于卷積神經網絡,采用多尺度網絡提高人臉特征的判別能力,并提出了融合不同尺度特征的多尺度模型來獲取深度特征,采用遷移學習策略緩解了過擬合現象,在有限標記數據下實現了無約束的人臉美預測。他們建立了一個名為LSFBD的大型數據庫,在LSFBD上進行的大量實驗表明,該方法優于其他現有方法,在分類準確度方面可獲得67.48%的分類準確率。隨著3D攝像和測量等技術的不斷發展,面部年輕化術后效果監測的量化工具也在不斷涌現,這為眼整形外科醫師提供了一種預測眼部形態變化的有效手段[34]。此外,構建面部數據庫還提升了在臨床實踐中運用AI技術進行面部美觀評估的可操作性。眼部的整體美觀度與面部息息相關,因此,可以運用該預測方法對眼部進行評估,通過術前和術后的美觀對比來評估手術效果,并使用AI進行美觀評估,從而為臨床醫生和患者提供更加客觀的評價結果。

2.3眼袋眼袋通常是由于眼瞼皮膚、肌肉、眶隔筋膜等眼周組織發生松弛,支撐力減弱,從而導致眶內脂肪突出形成袋狀眼瞼畸形,多見于下瞼。嚴重的眼袋不僅使面部顯得衰老而憔悴,對容貌外觀和精神面貌產生明顯的影響,而且還可能進一步加重眼瞼松弛,引起下瞼內翻或外翻等眼部并發癥[35]。

整形手術是治療眼袋最有效的手段,主要是通過切除突出的眶隔脂肪以及多余的皮膚組織而達到美容效果,這是一種由外科醫生制定個性化整形手術計劃的方法。眼部整形手術的主要目的是實現預期的審美效果。然而,由于各種主觀因素,很難判斷預期的美學結果[36]。Zhai等[33]提出了一種新的基于遷移學習CNN的面部檢測方法,該方法比以往的幾何評估方法具有更好的分類精度,可預測眼部整形手術效果。Yi等[37]通過比較基于多通道CNN的眼睛模型評估的整容患者術后效果與醫生的經驗進行評估的整容患者,探討了眼瞼對整容手術和美容效果的影響。CNN測評組的術后程度、下眼瞼皮膚皺紋、眼瞼淚溝、皮膚光澤、美學評分均優于對照組,提示CNN是評估眼部整形手術的有益工具,這項研究的結果表明基于多通道CNN的眼部模型有助于提高手術后患者的美觀效果,并可減少術后并發癥的發生。通過這些研究可以看出,AI在眼部整形手術領域的發展前景十分可觀,值得進一步探索和推廣。

2.4眼瞼腫物眼瞼腫瘤是日常眼科中最常見的腫瘤[38]。由于眼瞼有多種組織類型,因此可發生各種良性和惡性腫瘤。眼瞼和眼周皮膚腫瘤會嚴重影響患者的健康和審美[39]。眼瞼惡性腫瘤因其靠近眼球、大腦和鼻竇,還可能會導致毀容和嚴重的并發癥[40]。目前眼瞼腫瘤的診斷通常是術后對腫物進行病理檢查,隨著AI技術的發展,發現通過外部攝影可以進行早期初步篩查,并有助于發現和監測這些腫瘤。

Seeja等[41]研發了一個基于CNN的UNet,可以自動分割皮膚病變,并區分黑色素瘤與良性皮膚病變。在深度學習環境中,U-Net分割算法被認為是分割的最佳方法,有助于提高分類性能。Wang等[42]開發了一種深度學習系統(deep learning system,DLS),可以從具有巨大信息密度的組織病理學切片中自動檢測眼瞼中的惡性黑色素瘤(malignant melanoma,MM)。這項研究使用標記的千兆像素病理整張幻燈片圖像(whole slide image,WSI)來測試和設計用于分類的模型。使用來自卷積神經網絡的惡性概率,將貼片嵌入到每個WSI中來產生可視化熱圖,并利用隨機森林模型來建立WSI水平診斷。結果顯示,模型實現了AUC為0.989(95%CI:0.989-0.991),準確度、靈敏度和特異性分別為94.9%、94.7%和95.3%。對于WSI,獲得的敏感性、特異性和準確性分別為100%、96.5%和98.2%,AUC為0.998(95%CI:0.994-1.000)。Li等[43]開發了一種AI系統,該系統使用更快的基于區域的卷積神經網絡(faster R-CNN)和深度學習分類網絡,在普通數碼相機拍攝的攝影圖像中自動定位眼瞼腫瘤并區分惡性腫瘤和良性腫瘤。研究結果表明,深度學習算法DenseNet121在眼瞼惡性腫瘤的識別中表現最好,其中AUC為0.899、靈敏度為91.5%、特異度為79.2%。與不同層次的眼科醫生相比,該系統的敏感性高于初級和高級眼科醫生;與專家相當,而該系統的特異性低于專家。上述研究證實了AI技術在眼瞼腫物中的臨床應用前景十分可觀,可以協助醫生對惡行腫瘤早發現、早診斷、早治療,盡可能減少誤診和漏診。

2.5眼球突出甲狀腺相關性眼病(thyroid-associated ophthalmopathy,TAO)是一種與內分泌有關的免疫性疾病,嚴重時可能導致失明和眼眶畸形,早期診斷和治療有利于控制疾病進展,但目前缺乏可靠的篩查手段。而眼部外觀的變化,包括上眼瞼的內收、斜視以及眼球的突出,對于TAO的診斷具有至關重要的意義[44]。

Song等[45]提出了3D-ResNet自動檢測眼眶CT圖像中的TAO,建立了一種有發展前景的基于CT掃描的TAO篩查AI模型,并在臨床條件下通過了應用測試。Lin等[46]建立了一種深度學習系統,使用磁共振成像(magnetic resonance imaging,MRI)檢測TAO的活動期和非活動期。發現深度卷積神經網絡可以自動檢測MRI圖像中TAO的活性,并且魯棒性強,主觀判斷少,測量誤差小。該系統可以規范診斷過程,加快TAO的治療決策。Hanai等[47]開發了一種深度神經網絡,從眼眶CT圖像中評估Graves眼病(graves ophthalmopathy,GO)患者的眼外肌(extraocular muscle,EEM)腫大程度。應用于測試數據時,AUC為0.946,表明深度神經網絡可以有效檢測GO患者的EEM。Lee等[48]使用288例輕度、中度至重度GO患者和健康對照的眼眶CT掃描來訓練神經網絡,用于診斷和評估GO的嚴重程度。Huang等[49]使用ResNet-50模型基于外眼照片獲得了TAO的自動診斷。Karlin等[50]開發了一種基于外眼照片檢測TAO的DL模型。一組來自臨床數據庫的1 944張照片被用于訓練,另一組由344張附加圖像組成的測試集被用于評估訓練后的DL網絡。該模型在測試集上的準確率為0.892,熱圖顯示該模型能夠識別出與TAO臨床特征相對應的像素點。另外,根據2021-EUGOGO指南,眼眶減壓術可以緩解眼前突癥狀,修復TAO患者的外觀,是嚴重TAO患者的推薦治療策略[51]。Yoo 等[52]利用眶減壓患者術前和術后的外眼照片訓練了條件生成對抗網絡(generative adversarial network,GAN)。訓練后的GAN可以將術前外眼照片轉化為與術后真實情況相似的預測術后圖像,提示GAN可能成為預測眼部整形手術結果的新工具。

3 當前的挑戰和困難

在眼整形外科領域,AI將扮演至關重要的角色,為醫生的診療提供有力支持,并為患者提供基于循證的個性化醫療服務,然而,這一領域也面臨著一些挑戰和難題。(1)圖像驅動的AI研究需要經過大量注釋的標準成像數據,這些數據必須經過高質量的訓練和算法優化,以確保高精度結果的產生。要獲得高質量的有效數據,必須確保數據集的充分性和代表性,同時保證數據標簽的準確性。然而,由于大量影像資料目前尚未實現電子化和數據化,再加上數據來源繁多、類型多樣、結構復雜、標準不一等,因此獲得真正高質量的有效數據成本是十分昂貴的,且標注質量參差不齊[53]。所以,如何利用現有資源來構建一個可供大規模應用的智能化機器學習框架成為了一項具有挑戰性的任務。此外,每一種AI研究開發的模型都有其獨特的適用范圍,因此在真實世界中的準確性難以保證,同時也無法進行多項研究之間的橫向比較[54]。(2)理解AI網絡的決策方式仍然是應用AI所面臨的一個巨挑戰[55]。通過AI算法來闡述不同疾病的潛在特征并對結果進行分類,這可能是一個黑盒子,即是否符合現實世界的不確定性[56]。由于AI系統的不透明性,在應用AI進行圖像分析時,操作者難以獲得直觀的證據來支持機器的決策。目前已有部分研究試圖通過遮擋測試或可視化熱圖等方式[57]提供結果的臨床可解釋性,但此類研究都處于初級階段。隨著AI時代的到來,大數據的價值正在以驚人的速度發展著,但同時也帶來了數據泄露的安全隱患,這給個人隱私安全帶來了前所未有的挑戰,因此,與外眼攝影相關的倫理問題和患者隱私問題也需要進行深入考慮。

4 結論

結合大量的研究發現,AI在臨床診斷和決策方面已顯示出巨大的前景。雖然AI與眼整形外科之間的合作尚處在初級階段,但其發展迅速,并具有廣闊的前景,尤其是在精確量化、術前評估以及術后預測方面均具有巨大的應用潛力。盡管AI技術在臨床實踐的應用上還面臨著巨大的挑戰,但AI將在未來對智能醫療產生重大的影響。隨著計算機算法的不斷更新,高質量數據集的不斷涌現,AI今后還會在眼整形外科領域扮演更加重要的角色。