别只说AI 抢饭碗，自从让AI 阅片，眼科医生都温柔了很多……

本文来自微信公众号： 世界科学 ，作者：编译 蒋笃绘，原文标题：《别只说 AI 抢饭碗！自从让 AI 阅片，眼科医生都温柔了很多……》

在肯尼亚内罗毕的一所寻常诊所里，一名患有糖尿病的中年妇女正接受寻常的体检，而护士借助眼底相机拍摄了她的视网膜，接着开始进行一些寻常而又不寻常的操作。具体是什么操作呢？

根据护士介绍，糖尿病患者定期接受眼部筛查十分重要，有助于在出现相关症状前，及早发现糖尿病引起的眼部并发症。此类筛查会先对眼球内表面的视网膜拍照，过程快捷、无痛，很像日常拍照，而非医学检查；然后，影像会被即时上传至计算机，由人工智能系统进行分析——没错，AI成了“诊断”者。

与普通软件不同，这套系统历经海量眼部影像的训练，能识别非常细微的风险特征，诸如血管轻微异变或可能预示疾病的微弱斑点。只需短短数秒，AI便可完成诊断。

对护士来说，若屏幕弹出提示“建议转诊，疑似早期糖尿病视网膜病变”，意味着患者视网膜存在早期损伤迹象，需要交由眼科专科医生作进一步诊断。

文章开头提到的那名糖尿病患者收到了“建议转诊”的答复，并对此倍感意外，因为自己未觉察任何不适，眼睛既无疼痛也无视物模糊的情况。自己的身体异常，自己还没发觉，倒让AI通过一张视网膜照片看出异样了？

实际上，人工智能已然成为现代眼科诊疗中不可或缺的一部分。上述AI“看片”的眼科诊断模式作为一项新兴技术，正悄然普及，为全球多地的医疗机构所应用。

当算法开始识别病变模式、寻找风险迹象，我们关于健康和诊疗的认知是否也将被重塑？

眼科医生的价值和局限

长久以来，眼科诊疗离不开医生那极富经验和判断力的双眼。

眼科医生需多年学习解读视网膜影像，分辨各类细微病变，比如血管渗漏形成的小红点，神经损伤引发的白色絮状斑块，提示视力丧失风险的血管扭曲、变窄情况……这份工作对技术水平有很高要求，也相当考验医生个人的综合素养：能否审慎地研判，能否共情患者，能否愿意肩负责任，等等。

另一方面，既然是人眼做判决，那就免不了人的问题。不同医生面对同一份医学影像的解读往往存在差异，并因此给出不同诊断结果。在大规模筛查工作中，非专业阅片者很容易遗漏藏在一份眼底照片里的早期病变；阅片医生的疲劳和过大工作负担，以及影像质量不佳等因素，同样会降低诊断准确率。

人工智能恰可弥补人类的短板。其一，它会持续、稳定地分析海量影像，既无疲劳，也不受外界干扰。其二，它捕捉得到人眼可能遗漏的细微病变特征，减少差错，增强筛查结果的可靠性。简言之，AI能让临床工作越发稳当、精准，有效助力疾病的早期发现，提升诊疗水平。

当然，大家难免心生疑虑：如果机器的观察分析能力胜过人类专家，那眼科医生是不是失去价值了？

其实多虑了！人工智能虽擅长模式识别和分诊，但无力体察与安抚患者情绪，也无法判断是否值得干预、何时放弃治疗。

医生反倒会因AI获益，因为把常规筛查工作交给机器后，他们会有更多时间用于手术、咨询和研究。

眼科AI的工作原理

当前主流的眼科AI系统基于深度学习，通过分层神经网络，在数以十万、百万乃至千万计视网膜影像素材中接受了训练。每张图片都由专家标注了病变情况，因此机器可学习影像特征与疾病严重程度之间关联的统计模式。

经过充分训练后，AI能捕捉到诸多“不起眼”的线索，例如轻微的血管扭曲、细小的颜色异样、难以辨识的纹理变化。这些细节单拎出来看似乎都不值一提，但放到一起分析后，信号就太强了。

当然，对AI的运用仍需谨慎态度，因为算法同样会出错。一点灰尘，一道划痕，相机光学部件遭遇的少许干扰就可能让系统误以为有病变迹象。此外，针对特定人群或设备训练而来的模型，在应用于其他场景时，表现往往不尽人意。

要确保系统的可靠性，唯一途径是持续开展测试：在不同诊所、使用多种设备、面向各类患者群体反复验证。若缺少实测检验，所谓的先进AI应用，可能只是看似正确的错误。

AI助力筛查糖尿病视网膜病变

人工智能在眼科领域最早、最知名的应用案例当属IDx-DR系统，于2018年获得美国食品药品管理局批准上市。

IDx-DR是医疗领域首款可独立做出转诊建议、无需医生介入的自主AI系统。在关键性临床试验中，它针对需转诊的糖尿病视网膜病变的检测灵敏度高达超85%，与人类专家相当。

曾有一项2022年发表的前瞻性队列研究介绍眼科AI在泰国医学筛查项目中的表现。据称，一套用于糖尿病视网膜病变筛查的深度学习模型，展现了高达94.7%的准确率、91.4%的灵敏度和95.4%的特异度，专业表现堪比眼科医生。

该系统可实时给出转诊建议，阳性预测值为79.2%，阴性预测值达95.5%。这项大规模的现实世界应用，充分证明AI可助力提高糖尿病患者眼病防治工作的可及性和可靠性。

近几年有多项研究表明，糖尿病视网膜病变仍是中等收入国家面临的重大公共卫生难题。

2024年，一份来自肯尼亚的数据显示，当地近41%的糖尿病患者并发视网膜病变，足见开展大规模筛查的紧迫性；同年的印度调研发现，该病症在糖尿病患者中的患病率约为30.8%；2023年，巴西学者发表系统综述指出，当地患病率约36.3%。

肯尼亚、印度、巴西三国的眼科医生人口占比分别为每百万人中有2、11和71人。医生资源分布不均，广大老百姓难以及时接受眼部检查和专业的视网膜筛查。

对这些地区的民众而言，一台嵌入了智能算法的简易手持相机，可能就是眼部健康守护者。即便眼科医师紧缺，诊所里的医护人员也能借助AI，单日就完成对数百人的筛查。

从某种意义上说，这项技术实现了任何传统培训和筛查体系都无法企及的大规模疾病预防，使专科级别的诊疗服务能惠及哪怕是最偏远、最欠缺医疗资源的地区。

在眼科的AI应用研究中，糖尿病视网膜病变是最热门也最成熟的方向，而且相关技术的前沿仍在快速拓展，逐步覆盖更多元的视网膜疾病诊断。例如，伦敦墨菲尔德眼科医院的研究团队联合DeepMind公司，基于光学相干断层扫描影像训练出一套AI系统；它能以专家级精度对超过50种视网膜疾病进行分诊。

人工智能重新定义医学诊断

人工智能进入眼科领域，也促使我们思考是否该重新定义“知识”。

数百年来，医学诊断始终越不过人类观测能力的边界：医生借助裂隙灯、显微镜、检眼镜感知到的结果，便是判定病症的标准。如今，算法将这种观测延伸至生物学极限之外。机器能解析数以百万计的影像像素，捕捉人眼无法识别的细微病变特征，并将其转化为患病概率。原本专属人类的观测诊断转变为人机协作模式。

另一方面，信任模式随之改变。过去，患者信赖医生的经验、直觉和共情；现在，信任还须投向如黑盒子般的算法。人工智能的内在运作方式，比如如何权衡影像特征、像素信息和患病概率，都埋藏于复杂的层层运算之中。医生和患者无法确切知晓AI的决策过程。

既然AI正改写关于专业能力的定义，人类是否也该寻求技术的可解释性，寻求AI工作的透明度？答案当然是肯定的。

在透明度方面，眼科AI系统现阶段能做到标注影响诊断结果的关键特征，举例来说：提示“建议转诊”的同时，高亮标注视网膜影像上的病变区域。医生能解读机器的标注，并向患者解释，由此，我们对技术的信任便不会趋向盲从。

资料来源：

AI vs the Human Eye:Can Algorithms See What Ophthalmologists Miss?