OpthoAI是一款对话式多疾病人工智能眼科智能手机筛查系统，采用创新方法监测疾病进展。该系统可检测并监测糖尿病性视网膜病变（DR）等八种常见眼病，包括玻璃膜疣、年龄相关性黄斑变性、出血、青光眼、血管阻塞、黄斑水肿和痣。系统通过低成本的镜头装置捕捉眼底图像，用户可通过智能手机应用上传图像进行诊断。OpthoAI模拟真实医患互动，提供健康教育信息，并根据检查结果建议复诊。慢性病患者可借助该系统进行中期随访，减少前往眼科诊所的频率。
该系统使用巴西多标签眼科数据集（BRSET）的16,266张眼底图像进行训练，采用基于MobileNet的九个疾病特异性卷积神经网络（CNN）模型。为克服单纯AI监测进展的局限性，创新性地结合了AI图像预测、编码化的斯内伦视力表测试以及患者自评。该方法成功检测八种常见眼病，并实现糖尿病性视网膜病变进展的高置信度监测。
研究显示，在糖尿病视网膜病变进展监测中，单纯AI模型的平均召回率为58%，其中轻度非增生期召回率仅35%。通过引入人类输入：20分以上的视力恶化提示疾病进展；若模型预测恶化概率达15%且患者自评视力下降，则判定进展。这种多维度方法结合AI模式识别和患者自评，提升了慢性病监测的灵敏度，但需要更多临床验证。
系统开发基于Google Colab平台，使用Streamlit和NGROK库构建移动应用。应用包含五个阶段：患者身份识别（新患者/复诊）、斯内伦视力测试（转换为0-100分制）、患者自评（视力变化）、眼底图像上传分析以及系统复位。界面设计包含对话引导、下拉菜单显示视力表、滑动条输入视力、文件上传器等功能。
评估结果显示，八种疾病检测模型在1类（患病）的平均召回率为83%，其中玻璃膜疣达91%。但糖尿病视网膜病变进展模型表现较弱，特别是在早期阶段（1类召回率35%）。研究者强调数据集的局限性，包括地理局限性（仅巴西患者）和样本不平衡问题。未来计划扩展数据集至印度糖尿病视网膜病变数据集，优化模型性能，增加患者教育模块，并改进进展评分算法。
该系统通过低成本镜头装置（12英寸管+20屈光度非球面镜片）实现无需散瞳的眼底成像，设备成本显著低于传统专业设备。临床验证表明，结合AI与人类输入的混合算法在监测慢性病进展方面具有潜力，尤其适合医疗资源稀缺地区。但需注意其作为筛查工具而非诊断工具的定位，最终诊断仍需专业医生确认。
【全文结束】
