筛查|用AI解密眼底世界( 二 ) 肝胆疾病

DeepMind联合伦敦Moorfields顶级眼科医院合作推出的AI眼底筛查技术，能够实现在30秒之内识别出数种疾病；百度的AI 眼底筛查一体机可以十秒内识别筛查数种眼疾，如筛查糖网、青光眼、黄斑病变等，准确率可达到90%以上，基本接近三甲医院医生能力，目前在500个贫苦县试点部署落地。
一些AI创企如Airdoc可以检测诊断眼科常见的22种眼底疾病和状况，如常见的年龄相关性黄斑病变、糖尿病视网膜病变、黄斑前膜、视网膜静脉阻塞等眼底疾病等，其特异性和灵敏度结果在90%以上，只需要10秒钟左右，就会自动生成诊断报告，目前在一些眼科医院已经部署了具有眼底影像AI分析设备。
除了眼疾的诊断外，AI眼底影像分析也在其他病症的诊疗中有新的进展，中山大学中山眼科中心在柳叶刀发布了首例通过AI眼部影像筛诊肝胆疾病的研究项目，研究组使用深度学习技术从影像数据中提取出肝胆疾病的眼部特征并开发及验证了14个模型，用于筛查是否患有肝胆疾病及诊断是否患有肝癌、肝硬化、慢性病毒性肝炎、非酒精性脂肪肝、胆石症及肝囊肿六大类常见肝胆疾病，这些筛诊模型已成功部署在中山大学中山眼科中心智能诊断预测云平台上，可作为大规模快速无创筛诊的工具。
纵观整个医疗领域AI眼底影像分析的发展，虽然有较大的技术进步和此起彼伏的技术革新，但是因为其行业的结构性特点，对专业性和严谨性要求极高，AI 医疗落地相较于其他行业来说门槛更高，实现普及化需要深厚的AI技术积累和大量的AI落地应用经验，AI眼底影像技术的革新道路并不似康庄大道般平坦顺利。
制约商业化进程的拦路虎AI眼底影像分析在实际的临床商业应用中，面临不少挑战。
一是背后的技术制约，数据的获取与处理成本过高。在医疗领域，数据的量与质都很重要，准确性和规范性都需要考虑。因为医疗领域数据孤岛的影响，数据主要是在医院，数量有限并且只在小范围内闭环使用。此外在收集数据的过程中，非结构化的数据占数据总量的90%左右，参与模型训练的数据必须要经过医疗领域的专业人员标注，其准确性直接影响最终的诊断结果，数据标注处理需要耗费大量的成本。
二是AI眼底影像系统鲁棒性有待提高。目前，AI眼底影像分析产品的性能参数大多数来源于有限的数据集训练，AI模型的泛化能力不足。在高度复杂的临床应用中，单任务的深度学习算法已经无法应对多眼底病种需求，多任务的算法发展必须深研跟进，产品鲁棒性有待提高。
三是行业的评价标准体系未完善。现下国家对个人信息的安全越来越看重，而医疗数据涉及患者的个人隐私，当前尚无专门针对医疗信息及个人健康隐私保护的法规、标准，对医疗信息的敏感部分无统一标准，其他数据指标体系的标准化建设行业内尚未完善，存在争议。在伦理和法律法规方面，出现误诊及医疗事故由谁负责有待明确，缺乏评估AI系统安全性和有效性的标准。
四是来自政策监管的制约，医疗作为一个强监管行业，受到国家政策的引导和约束，医疗影像AI产品上市必须先获得相关部门审批，验证安全性、有效性才能够应用于市场，如果审批受阻，对快节奏发展的医疗AI创业公司来说，时间就是生命，前期的投入如果有打水漂的可能，一切都要玩完。
技术的发展之路或者是商业化之路，在充分竞争的市场中，结论就是变革迭代一直存在，无论是技术、体验还是政策，变化是唯一确定的道路，回顾眼底成像技术的发展，从1851年Helmholtz发明的首款可以观察眼睛的检眼镜，再到1950年彩色眼底照相技术记录的眼底世界。九十年代相干光层析成像术（OCT）的诞生，使我们得到了二维、三维的眼底图像。到新时代AI技术将硬件设备与软件算法相结合，影像设备可以数十秒内诊断出报告辅助医生判断决策。