人工智能在白内障诊断领域的应用进展

doi:10.3877/cma.j.issn.2095-2007.2023.06.008

近年来，伴随社会人口老龄化进程白内障的患病率不断攀升。为缓解医疗资源配置的不足，基于裂隙灯显微镜图像、彩色眼底图像以及相干光断层扫描图像的人工智能白内障辅助诊断技术在白内障筛查和分级诊断中发挥了应用效能。其中，经典的机器学习算法依据特征被应用于图像分类，通过集成学习或融合特征的方法可综合图像信息提升分类性能，深度学习算法可自动从原始图像中提取隐含特征。目前，人工智能技术已基本具备了对白内障的规模化筛查与诊断能力。本文中笔者就近年来人工智能在白内障诊断领域的应用进展进行综述。

关键词: 白内障, 人工智能, 深度学习, 裂隙灯显微镜图像, 眼底图像

In recent years, with the aging of the population, the incidence of cataracts has been continuously increasing. To alleviate the shortage of medical resource allocation, artificial intelligence cataract assisted diagnosis technology based on slit lamp microscopy images, color fundus images, and coherent light tomography images has played an application role in cataract screening and grading diagnosis. Among them, classic machine learning algorithms are applied to image classification based on features. By integrating learning or fusing features, classification performance can be improved by integrating image information. Deep learning algorithms can automatically extract hidden features from the original image. At present, artificial intelligence technology has basically had the capability of screening and diagnosis for cataracts on a large scale. The application progress of artificial intelligence in the field of cataract diagnosis in recent years was reviewed in this paper.

Key words: Cataract, Artificial intelligence, Deep learning, Anterior segment image, Fundus image

表1 经典机器学习法和深度学习法在白内障诊断中的应用场景和优缺点

比较项目	经典机器学习法	深度学习法
分类特征设定	由研究者确定	由人工智能自动探索隐含特征
分类特征类型	小波特征、纹理特征等	各种局部与全局特征
分类优势领域	白内障严重程度分级	白内障检测
临床应用优点	准确度及性能较高	充分挖掘图像特征
临床应用缺点	依赖于专业领域知识	数据及算力要求较高

表1 经典机器学习法和深度学习法在白内障诊断中的应用场景和优缺点

比较项目	经典机器学习法	深度学习法
分类特征设定	由研究者确定	由人工智能自动探索隐含特征
分类特征类型	小波特征、纹理特征等	各种局部与全局特征
分类优势领域	白内障严重程度分级	白内障检测
临床应用优点	准确度及性能较高	充分挖掘图像特征
临床应用缺点	依赖于专业领域知识	数据及算力要求较高

表2 基于裂隙灯显微镜图像的人工智能研究在不同类型白内障上的诊断效果和性能差异

算法	分类特征	优势领域	诊断效能	性能分析
SVM等7种分类器^[12]	深度学习特征	皮质性白内障分级	AUC≥96%	针对梯度下降模型仅能得到局部最优解的问题，以支持向量机算法设计得到全局最优解
Faster R－CNN^[13]	隐含特征	核性、皮质性白内障诊断及分级	核性、皮质性白内障：与医师相近；后囊下白内障：劣于医师	数据集较小，仅包含1612张图像
CRNN^[15]	隐含特征	核性白内障分级	绝对误差：0.304	结合卷积神经网络与递归神经网络
BPNN^[19]	红、绿、蓝分量	核性白内障分级	灵敏度：97.7%，特异度：100%	使用梯度下降模型优化特征的权重分配实现最小化分级误差
SVM^[20]	硬度、颜色、纹理等21个特征	核性白内障分级	绝对误差：0.36	分类特征较全面
SVM^[21]	一阶统计特征，小波特征	－	诊断准确度：96.96%	需要进行图像预处理，可识别图像高级分类特征
DeepLensNet^[22]	隐含特征	核性、皮质性和后囊下白内障诊断及分级	核性、皮质性白内障：优于医师；后囊下白内障：与医师相近	数据集较大，包含18 999张图像
DenseNet^[23]	隐含特征	手机裂隙灯显微镜图像诊断及分级	AUC：98.80%	需要输入的图像数据量相对较大
ResNet^[24]	隐含特征	多种裂隙灯显微镜拍摄模式诊断及分级	AUC：>99%；AUC：>91%	在视觉识别任务中表现优异

表2 基于裂隙灯显微镜图像的人工智能研究在不同类型白内障上的诊断效果和性能差异

算法	分类特征	优势领域	诊断效能	性能分析
SVM等7种分类器^[12]	深度学习特征	皮质性白内障分级	AUC≥96%	针对梯度下降模型仅能得到局部最优解的问题，以支持向量机算法设计得到全局最优解
Faster R－CNN^[13]	隐含特征	核性、皮质性白内障诊断及分级	核性、皮质性白内障：与医师相近；后囊下白内障：劣于医师	数据集较小，仅包含1612张图像
CRNN^[15]	隐含特征	核性白内障分级	绝对误差：0.304	结合卷积神经网络与递归神经网络
BPNN^[19]	红、绿、蓝分量	核性白内障分级	灵敏度：97.7%，特异度：100%	使用梯度下降模型优化特征的权重分配实现最小化分级误差
SVM^[20]	硬度、颜色、纹理等21个特征	核性白内障分级	绝对误差：0.36	分类特征较全面
SVM^[21]	一阶统计特征，小波特征	－	诊断准确度：96.96%	需要进行图像预处理，可识别图像高级分类特征
DeepLensNet^[22]	隐含特征	核性、皮质性和后囊下白内障诊断及分级	核性、皮质性白内障：优于医师；后囊下白内障：与医师相近	数据集较大，包含18 999张图像
DenseNet^[23]	隐含特征	手机裂隙灯显微镜图像诊断及分级	AUC：98.80%	需要输入的图像数据量相对较大
ResNet^[24]	隐含特征	多种裂隙灯显微镜拍摄模式诊断及分级	AUC：>99%；AUC：>91%	在视觉识别任务中表现优异

表3 基于眼底图像的人工智能研究在不同类型白内障上的诊断效果和性能差异

算法	分类特征	诊断效能	性能分析
SVM＋BPNN^[26]	小波特征、草图特征和纹理特征	诊断准确度：92.3%；分级准确度：84.5%	对分类特征分别使用两个学习模型并有效集成
SVM^[27]	纹理特征和隐含特征	分级准确度：92.67%	将多种特征融合堆叠从而提高分级性能及稳定性
MLP、ResNet^[28]	MLP：小波特征、可见结构特征；ResNet：隐含特征	诊断：ResNet优于MLP；分级：ResNet劣于MLP	复杂分级任务的完成需要医学专家监督
ResNet50^[29]	隐含特征	诊断AUC>91.6%	可预测视力显著受损的概率
AlexNet和GLA－Net^[10,30]	隐含特征	诊断准确度：AlexNet 86.24%；GLA－Net 90.65%；分级准确度：GLA－Net 83.47%	结合全局与局部特征缺乏医学专家的监督
Inception ResNet^[31]、AlexNet^[18]和EfficientNet B3^[32]]	隐含特征	Inception ResNet诊断AUC>91.84%；AlexNet无噪声时的分级准确度：92.97%；EfficientNet B3诊断准确度：99.38%	可修正低质量图像从而低对诊断及分级准确性的影响
EfficientNet B3^[33]、FPOA－CNN^[343]和GAN^[14]	隐含特征	EfficientNet B3诊断准确度>93.71%；FPOA－CNN诊断准确度：95.27%；GAN诊断AUC>89.6%	可用于多疾病监测

表3 基于眼底图像的人工智能研究在不同类型白内障上的诊断效果和性能差异

算法	分类特征	诊断效能	性能分析
SVM＋BPNN^[26]	小波特征、草图特征和纹理特征	诊断准确度：92.3%；分级准确度：84.5%	对分类特征分别使用两个学习模型并有效集成
SVM^[27]	纹理特征和隐含特征	分级准确度：92.67%	将多种特征融合堆叠从而提高分级性能及稳定性
MLP、ResNet^[28]	MLP：小波特征、可见结构特征；ResNet：隐含特征	诊断：ResNet优于MLP；分级：ResNet劣于MLP	复杂分级任务的完成需要医学专家监督
ResNet50^[29]	隐含特征	诊断AUC>91.6%	可预测视力显著受损的概率
AlexNet和GLA－Net^[10,30]	隐含特征	诊断准确度：AlexNet 86.24%；GLA－Net 90.65%；分级准确度：GLA－Net 83.47%	结合全局与局部特征缺乏医学专家的监督
Inception ResNet^[31]、AlexNet^[18]和EfficientNet B3^[32]]	隐含特征	Inception ResNet诊断AUC>91.84%；AlexNet无噪声时的分级准确度：92.97%；EfficientNet B3诊断准确度：99.38%	可修正低质量图像从而低对诊断及分级准确性的影响
EfficientNet B3^[33]、FPOA－CNN^[343]和GAN^[14]	隐含特征	EfficientNet B3诊断准确度>93.71%；FPOA－CNN诊断准确度：95.27%；GAN诊断AUC>89.6%	可用于多疾病监测

[1]	GBD 2019 Blindness and Vision Impairment Collaborators; Vision Loss Expert Group of the Global Burden of Disease Study. Causes of blindness and vision impairment in 2020 and trends over 30 years, and prevalence of avoidable blindness in relation to VISION 2020: the Right to Sight: an analysis for the Global Burden of Disease Study [J]. Lancet Glob Health, 2021, 9(2): e144－e160.
[2]	Goh JHL, Lim ZW, Fang X, et al. Artificial Intelligence for Cataract Detection and Management [J]. Asia Pac J Ophthalmol (Phila), 2020, 9(2): 88－95.
[3]	Asbell PA, Dualan I, Mindel J, et al. Age－related cataract [J]. Lancet, 2005, 365(9459): 599－609.
[4]	Liu YC, Wilkins M, Kim T, et al. Cataracts [J]. Lancet, 2017, 390(10094): 600－612.
[5]	Chylack LT, Wolfe JK, Singer DM, et al. The Lens Opacities Classification System III. The Longitudinal Study of Cataract Study Group [J]. Arch Ophthalmol, 1993, 111(6): 831－836.
[6]	Klein BE, Klein R, Linton KL, et al. Assessment of cataracts from photographs in the Beaver Dam Eye Study [J]. Ophthalmology, 1990, 97(11): 1428－1433.
[7]	Xu X, Li J, Guan Y, et al. GLA－Net: A global－local attention network for automatic cataract classification [J]. J Biomed Inform, 2021, 124: 103939.
[8]	Zhang X, Xiao Z, Higashita R, et al. Adaptive feature squeeze network for nuclear cataract classification in AS－OCT image [J]. J Biomed Inform, 2022, 128: 104037.
[9]	Gan F, Liu H, Qin WG, et al. Application of artificial intelligence for automatic cataract staging based on anterior segment images: comparing automatic segmentation approaches to manual segmentation [J]. Front Neurosci, 2023, 17: 1182388.
[10]	Lu Q, Wei L, He W, et al. Lens Opacities Classification System III－based artificial intelligence program for automatic cataract grading [J]. J Cataract Refract Surg, 2022, 48(5): 528－534.
[11]	Han Y, Li W, Liu M, et al. Application of an Anomaly Detection Model to Screen for Ocular Diseases Using Color Retinal Fundus Images: Design and Evaluation Study [J]. J Med Internet Res, 2021, 23(7): e27822.
[12]	Gao X, Lin S, Wong TY. Automatic Feature Learning to Grade Nuclear Cataracts Based on Deep Learning [J]. IEEE Trans Biomed Eng, 2015, 62(11): 2693－2701.
[13]	Zhang X, Xiao Z, Li X, et al. Mixed pyramid attention network for nuclear cataract classification based on anterior segment OCT images [J]. Health Inf Sci Syst, 2022, 10(1): 3.
[14]	Anwar SM, Majid M, Qayyum A, et al. Medical Image Analysis using Convolutional Neural Networks: A Review [J]. J Med Syst, 2018, 42(11): 226.
[15]	Pratap T, Kokil P. Efficient network selection for computer－aided cataract diagnosis under noisy environment [J]. Comput Methods Programs Biomed, 2021, 200: 105927.
[16]	Acharya RU, Yu W, Zhu K, et al. Identification of cataract and post－cataract surgery optical images using artificial intelligence techniques [J]. J Med Syst, 2010, 34(4): 619－628.
[17]	Li H, Lim JH, Liu J, et al. A computer－aided diagnosis system of nuclear cataract [J]. IEEE Trans Biomed Eng, 2010, 57(7): 1690－1698.
[18]	Svm, RG. Computer－Aided Diagnosis of Anterior Segment Eye Abnormalities using Visible Wavelength Image Analysis Based Machine Learning [J]. J Med Syst, 2018, 42(7): 128.
[19]	Keenan TDL, Chen Q, Agrón E, et al. DeepLensNet: Deep Learning Automated Diagnosis and Quantitative Classification of Cataract Type and Severity [J]. Ophthalmology, 2022, 129(5): 571－584.
[20]	Hu S, Luan X, Wu H, et al. ACCV: automatic classification algorithm of cataract video based on deep learning [J]. Biomed Eng Online, 2021, 20(1): 78.
[21]	Wu X, Huang Y, Liu Z, et al. Universal artificial intelligence platform for collaborative management of cataracts [J]. Br J Ophthalmol, 2019, 103(11): 1553－1560.
[22]	Gali HE, Sella R, Afshari NA. Cataract grading systems: a review of past and present [J]. Curr Opin Ophthalmol, 2019, 30(1): 13－18.
[23]	Yang JJ, Li J, Shen R, et al. Exploiting ensemble learning for automatic cataract detection and grading [J]. Comput Methods Programs Biomed, 2016, 124: 45－57.
[24]	Zhang H, Niu K, Xiong Y, et al. Automatic cataract grading methods based on deep learning [J]. Comput Methods Programs Biomed, 2019, 182: 104978.
[25]	Zhou Y, Li G, Li H. Automatic Cataract Classification Using Deep Neural Network With Discrete State Transition [J]. IEEE Trans Med Imaging, 2020, 39(2): 436－446.
[26]	Tham YC, Goh JHL, Anees A, et al. Detecting visually significant cataract using retinal photograph－based deep learning [J]. Nat Aging, 2022, 2(3): 264－271.
[27]	Xu X, Zhang L, Li J, et al. A Hybrid Global－Local Representation CNN Model for Automatic Cataract Grading [J]. IEEE J Biomed Health Inform, 2020, 24(2): 556－567.
[28]	Wu X, Xu D, Ma T, et al. Artificial Intelligence Model for Antiinterference Cataract Automatic Diagnosis: A Diagnostic Accuracy Study [J]. Front Cell Dev Biol, 2022, 10: 906042.
[29]	Luo X, Li J, Chen M, et al. Ophthalmic Disease Detection via Deep Learning With a Novel Mixture Loss Function [J]. IEEE J Biomed Health Inform, 2021, 25(9): 3332－3339.
[30]	Rafay A, Asghar Z, Manzoor H, et al. EyeCNN: exploring the potential of convolutional neural networks for identification of multiple eye diseases through retinal imagery [J]. Int Ophthalmol, 2023, 43(10): 3569－3586.
[31]	Glaret Subin P, Muthukannan P. Optimized convolution neural network based multiple eye disease detection [J]. Comput Biol Med, 2022, 146: 105648.
[32]	Zhang X, Xiao Z, Fu H, et al. Attention to region: Region－based integration－and－recalibration networks for nuclear cataract classification using AS－OCT images [J]. Med Image Anal, 2022, 80: 102499.
[33]	Ahn H, Jun I, Seo KY, et al. Artificial Intelligence for the Estimation of Visual Acuity Using Multi－Source Anterior Segment Optical Coherence Tomographic Images in Senile Cataract [J]. Front Med (Lausanne), 2022, 9: 871382.
[34]	Askarian B, Ho P, Chong JW. Detecting Cataract Using Smartphones [J]. IEEE J Transl Eng Health Med, 2021, 9: 3800110.

[1]	张梅芳, 谭莹, 朱巧珍, 温昕, 袁鹰, 秦越, 郭洪波, 侯伶秀, 黄文兰, 彭桂艳, 李胜利. 早孕期胎儿头臀长正中矢状切面超声图像的人工智能质控研究[J]. 中华医学超声杂志（电子版）, 2023, 20(09): 945-950.
[2]	唐玮, 何融泉, 黄素宁. 深度学习在乳腺癌影像诊疗和预后预测中的应用[J]. 中华乳腺病杂志(电子版), 2023, 17(06): 323-328.
[3]	李锐颖, 危望, 王达志, 时志斌. 深度学习技术在膝关节疾病中的研究现状与展望[J]. 中华关节外科杂志(电子版), 2023, 17(05): 722-725.
[4]	范帅华, 郭伟, 郭军. 基于机器学习的决策树算法在血流感染预后预测中应用现状及展望[J]. 中华实验和临床感染病杂志(电子版), 2023, 17(05): 289-293.
[5]	戴雨霖, 张新春. 人工智能在口腔修复诊疗中的应用与进展[J]. 中华口腔医学研究杂志(电子版), 2024, 18(01): 65-69.
[6]	杨龙雨禾, 王跃强, 招云亮, 金溪, 卫娜, 杨智明, 张贵福. 人工智能辅助临床决策在泌尿系肿瘤的应用进展[J]. 中华腔镜泌尿外科杂志(电子版), 2024, 18(02): 178-182.
[7]	李晓阳, 刘柏隆, 周祥福. 大数据及人工智能对女性盆底功能障碍性疾病的诊断及风险预测[J]. 中华腔镜泌尿外科杂志(电子版), 2023, 17(06): 549-552.
[8]	邢晓伟, 刘雨辰, 赵冰, 王明刚. 基于术前腹部CT的卷积神经网络对腹壁切口疝术后复发预测价值[J]. 中华疝和腹壁外科杂志(电子版), 2023, 17(06): 677-681.
[9]	雷漫诗, 邓锶锶, 汪昕蓉, 黄锦彬, 向青, 熊安妮, 孟占鳌. 人工智能辅助压缩感知技术在上腹部T2WI压脂序列中的应用[J]. 中华肝脏外科手术学电子杂志, 2023, 12(05): 551-556.
[10]	韩冰, 顾劲扬. 深度学习神经网络在肝癌诊疗中的研究及应用前景[J]. 中华肝脏外科手术学电子杂志, 2023, 12(05): 480-485.
[11]	刘谨硕, 朱思泉. 前房角检查的临床应用进展[J]. 中华眼科医学杂志(电子版), 2023, 13(05): 316-320.
[12]	王守森, 方翌, 冯添顺, 魏梁锋. 深度学习模型在侵袭性垂体腺瘤诊疗中的应用[J]. 中华脑科疾病与康复杂志(电子版), 2023, 13(06): 382-384.
[13]	邱凯锋, 王则远, 何志超, 付凯利, 梅童霖, 关英杰, 高飞, 伍俊妍. 人工智能技术在超说明书用药循证中的应用研究[J]. 中华临床医师杂志(电子版), 2023, 17(12): 1212-1218.
[14]	林绍涌, 朱先理, 魏梁锋, 王守森. ChatGPT在临床医学实践中的应用进展[J]. 中华临床医师杂志(电子版), 2023, 17(10): 1113-1116.
[15]	陈健, 张子豪, 卢勇达, 夏开建, 王甘红, 刘罗杰, 徐晓丹. 基于深度学习构建结直肠息肉诊断自动分类模型[J]. 中华诊断学电子杂志, 2024, 12(01): 9-17.

阅读次数

全文

摘要

选择文件类型/文献管理软件名称

选择包含的内容

The application progress of artificial intelligence in cataract diagnosis

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

The application progress of artificial intelligence in cataract diagnosis