編輯導讀：隨著AI在醫學影像領域中技術逐漸成熟，AI眼底影像分析的發展備受矚目。未來，AI技術會對眼底醫療行業產生什麼樣的變化？本文作者對此進行了分析，與你分享。
近年來，AI技術在醫療領域中的應用得到快速推廣，包括醫學影像、新葯研發、病例分析、健康管理平台等眾多場景。醫療領域的研究機構、醫院、高校、企業等都在積極開展AI的研究與合作項目，在實際的臨床診療中，我們也能體驗眾多三甲醫院已經開啟AI技術的臨床試驗案例，比如AI影像識別、智能診療助手及智能診療平台等。
在這些場景中，AI技術在醫學影像領域中的落地應用最廣，據研究，在醫學文獻中使用到有關於醫學影像分析和圖像分析的演算法超過72%，AI在醫學影像領域應用成熟度較高。
在醫學影像領域中的細分領域內，AI眼底影像分析的發展備受矚目，除了其落地的趨勢發展之快，更重要的是其背後代表的醫療產業價值，眼底篩查和診療離不開影像設備的輔助，那麼，AI技術+眼底影像設備又碰撞出哪些新的魔法呢？
一、AI與眼底影像設備的邂逅帶來了什麼？
眼睛是人體非常重要的器官，而眼底病是威脅視力的重要危險因素，眼底病與癌症、心腦血管疾病是最能影響生活質量的疾病前三，目前大部分眼底病可以通過眼底影像篩查設備及時發現、治療，可以大大降低致盲率。
眼疾的診療離不開醫學影像設備的輔助，對於AI眼底影像分析技術來說，在現下的整個臨床診療過程中，從篩查、診斷、治療引導和評估，都佔據了極其重要的地位，是非常重要的輔助工具。AI技術與眼底影像設備的邂逅提供的價值包含：
首先是對於患者來說，緩解供需失衡的診療需求。我們是一個擁有14億人口大國，但是醫療資源供需嚴重失衡，什麼時候去醫院都是人滿為患，而對於眼科領域，註冊的眼科醫生只有三萬多人，想要在有限的醫療資源條件下去服務這麼大的患者群體， AI眼底影像的技術背後的閱片效率輔助，可以有效的減緩醫療資源的緊張事態，並創造新的解決方案和醫療模式。
其次從醫師的角度來看，提高了眼疾診斷精度與效率。由於就診量巨大，醫師長期從事高負荷的閱片工作，容易出現漏、誤診等問題。再加上眼科領域的工作專業性高比較複雜，對於一些經驗不足的基層醫師，也會出現一些誤診的情況，AI眼底影像技術的介入，對於一些眼底疾病的評估，準確性和人類專家的水平相似，在幾秒內就可以給出診斷建議，成為眼科醫生的得力助手，提高診斷的精度、時間，可以釋放醫生的部分精力到研究性工作和治療當中。
再者就是AI眼底影像技術對於除眼疾以外其他病症的輔助判斷。由於眼底富有各種動靜脈血管，眼底檢查已經成為監測多種全身性疾病的重要依據，比如動脈硬化、高血壓、腎炎、白血病、貧血等都會引起眼底變化，能反映諸如高血壓、糖尿病等慢性病的病變和累積。
有了AI眼底影像分析的技術，這一對專業能力要求較高，而很難普遍應用的領域得以發揮價值，不僅提升了眼底影像分析的效率和診斷的準確性，眼科醫療模式也從以醫院為中心變成以患者為中心，惠及大眾，緩解了醫療資源的緊張。
從疾病的診治角度來看，從晚期發現保守治療的模式轉變為眼疾早期的篩查管理介入，遠離致盲的危險，而一切變化的前提是AI影像分析技術對於新醫療模式的支持。AI眼底影像的價值巨大，其發展已經走上了商業化落地的路上。
二、AI眼底影像技術大豐收：十秒出報告，篩診新疾病
現下市場上的AI眼底影像分析設備幾乎都能夠精準識別絕大多數常見眼底病灶，漏診與誤診均在較低水平，能夠幫助醫生患者實現分級診療，篩查分析早期介入臨床診療中從而降低致盲率，充分發揮眼底疾病篩查的公共衛生價值。
DeepMind聯合倫敦Moorfields頂級眼科醫院合作推出的AI眼底篩查技術，能夠實現在30秒之內識別出數種疾病；百度的AI 眼底篩查一體機可以十秒內識別篩查數種眼疾，如篩查糖網、青光眼、黃斑病變等，準確率可達到90%以上，基本接近三甲醫院醫生能力，目前在500個貧苦縣試點部署落地。
一些AI創企如Airdoc可以檢測診斷眼科常見的22種眼底疾病和狀況，如常見的年齡相關性黃斑病變、糖尿病視網膜病變、黃斑前膜、視網膜靜脈阻塞等眼底疾病等，其特異性和靈敏度結果在90%以上，只需要10秒鐘左右，就會自動生成診斷報告，目前在一些眼科醫院已經部署了具有眼底影像AI分析設備。
除了眼疾的診斷外，AI眼底影像分析也在其他病症的診療中有新的進展，中山大學中山眼科中心在柳葉刀發布了首例通過AI眼部影像篩診肝膽疾病的研究項目，研究組使用深度學習技術從影像數據中提取出肝膽疾病的眼部特徵並開發及驗證了14個模型，用於篩查是否患有肝膽疾病及診斷是否患有肝癌、肝硬化、慢性病毒性肝炎、非酒精性脂肪肝、膽石症及肝囊腫六大類常見肝膽疾病，這些篩診模型已成功部署在中山大學中山眼科中心智能診斷預測雲平台上，可作為大規模快速無創篩診的工具。
縱觀整個醫療領域AI眼底影像分析的發展，雖然有較大的技術進步和此起彼伏的技術革新，但是因為其行業的結構性特點，對專業性和嚴謹性要求極高，AI 醫療落地相較於其他行業來說門檻更高，實現普及化需要深厚的AI技術積累和大量的AI落地應用經驗，AI眼底影像技術的革新道路並不似康庄大道般平坦順利。
三、制約商業化進程的攔路虎
AI眼底影像分析在實際的臨床商業應用中，面臨不少挑戰。
一是背後的技術制約，數據的獲取與處理成本過高。在醫療領域，數據的量與質都很重要，準確性和規範性都需要考慮。因為醫療領域數據孤島的影響，數據主要是在醫院，數量有限並且只在小範圍內閉環使用。此外在收集數據的過程中，非結構化的數據占數據總量的90%左右，參與模型訓練的數據必須要經過醫療領域的專業人員標註，其準確性直接影響最終的診斷結果，數據標註處理需要耗費大量的成本。
二是AI眼底影像系統魯棒性有待提高。目前，AI眼底影像分析產品的性能參數大多數來源於有限的數據集訓練，AI模型的泛化能力不足。在高度複雜的臨床應用中，單任務的深度學習演算法已經無法應對多眼底病種需求，多任務的演算法發展必須深研跟進，產品魯棒性有待提高。
三是行業的評價標準體系未完善。現下國家對個人信息的安全越來越看重，而醫療數據涉及患者的個人隱私，當前尚無專門針對醫療信息及個人健康隱私保護的法規、標準，對醫療信息的敏感部分無統一標準，其他數據指標體系的標準化建設行業內尚未完善，存在爭議。在倫理和法律法規方面，出現誤診及醫療事故由誰負責有待明確，缺乏評估AI系統安全性和有效性的標準。
四是來自政策監管的制約，醫療作為一個強監管行業，受到國家政策的引導和約束，醫療影像AI產品上市必須先獲得相關部門審批，驗證安全性、有效性才能夠應用於市場，如果審批受阻，對快節奏發展的醫療AI創業公司來說，時間就是生命，前期的投入如果有打水漂的可能，一切都要玩完。
技術的發展之路或者是商業化之路，在充分競爭的市場中，結論就是變革迭代一直存在，無論是技術、體驗還是政策，變化是唯一確定的道路，回顧眼底成像技術的發展，從1851年Helmholtz發明的首款可以觀察眼睛的檢眼鏡，再到1950年彩色眼底照相技術記錄的眼底世界。九十年代相干光層析成像術（OCT）的誕生，使我們得到了二維、三維的眼底圖像。到新時代AI技術將硬體設備與軟體演算法相結合，影像設備可以數十秒內診斷出報告輔助醫生判斷決策。
在這些里程碑事件中，我們可以看到眼底成像技術在科技發展浪潮之下突飛猛進越變越好，未來AI眼底影像技術也有新的發展思路與革新方向，一方面是AI眼底影像研究正在嘗試多模態任務的演算法開發。對於多種眼病診斷的複合系統，單任務的深度學習演算法已經無法應對需求，未來多源、多維度的數據通過深度學習分析融合，朝著對一些病變和疾病的關係確認方面發展，提升診斷的特異性及準確性，尤其是對少見病、罕見病的診斷，多模態任務的演算法將是大勢所趨。
另一方面，AI眼底影像技術未來從診斷向治療做閉環延伸。從眼疾臨床診療的流程來看，診斷只是其中一環，後續精準的治療才是診斷的核心價值所在，雖然目前AI眼底影像產品以醫療器械形式部署進醫院，市場空間很大但對於整個療程的商業價值來說價值有限。AI眼底影像技術的趨勢將會擁抱整個治療過程的商業價值，從單一輔助技術工具到部署閉環解決方案，向治療領域縱向延伸。
對於AI眼底影像技術的分析研究，我們可以看到，在整個大健康事業的建設中，其商業價值和公益效用並駕齊驅發展，AI眼底影像技術演算法模型的積累和落地應用，正在改變未來的醫療模式，管理人們的健康狀況。
#合作媒體#
腦極體，微信公眾號：腦極體。寫讓你腦洞大開且能看懂的人工智慧、流媒體、海外科技。
本文原創發佈於人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基於CC0協議