当眼科医生艾米丽·科尔医学博士走进科罗拉多儿童医院的新生儿重症监护室（NICU），为婴儿检查一种名为早产儿视网膜病变（ROP）的眼疾时，父母选择在检查期间离开的情况并不罕见。
“目睹这一幕令人心碎，”科尔说道，她是科罗拉多大学安舒茨眼科系助理教授。“这些检查之所以困难，是因为这些婴儿非常脆弱，我们必须在检查过程中移动他们。”
但如果人工智能能让检查更快、更客观、更精准呢？更进一步说，如果AI不仅能检测ROP，还能通过眼睛发现其他全身性疾病——这一新兴领域被称为眼组学（oculomics）——又会如何？AI研究员普拉维尔·辛格博士（同为眼科助理教授）正与全球研究人员合作，开发旨在实现这些目标的基于AI的算法。
为帮助更多患者，辛格与科尔已联手进一步提升AI能力，并探索临床医生在NICU中应用这些工具的最佳方式。
“我们一直在开发各种算法，但关键在于确保它们具有真正的临床效用，并能有效从实验室转化到临床应用，”辛格表示，他是眼科人工智能医学部的教员。“这正是此次合作令人兴奋之处。”
为何ROP筛查具有挑战性
ROP是导致儿童失明的主要原因之一，通常影响早产儿（31周前出生）或体重低于3.3磅的婴儿。该病由视网膜异常血管引起——视网膜是眼球后部检测光线并将视觉信息从眼睛传至大脑的组织层。
“当胎儿在子宫内时，血管会生长以覆盖眼球内壁。到40周时，视网膜血管已完全覆盖视网膜，”科尔解释道。“但对于早产儿，其视网膜血管尚未完全发育。这些婴儿随后处于富氧环境的NICU中，此时视网膜可能生长异常血管，可能导致出血、视网膜脱离和视力丧失等问题。”
根据美国小儿眼科与斜视协会数据，美国每年约有1.4万名婴儿被诊断出ROP。其中大多数病例较轻，不会造成视网膜损伤，但估计每年有1100至1500名美国婴儿会发展为需医疗干预的严重ROP。
ROP筛查的标准方法是扩瞳后检查视网膜是否存在异常血管，以及视网膜血管是否形状异常，该操作由科罗拉多儿童医院的小儿眼科团队执行。
“为婴儿眼睛拍照需在眼表放置相机并使用麻醉滴剂，”科尔说。“检查看起来可能很吓人，因为具有侵入性，可能导致婴儿生命体征暂时不稳定，如血氧水平或心率下降，因此我们必须中途暂停。”
从血管扭曲到量化评分
科尔指出，ROP眼检不仅操作困难，还面临能筛查和治疗ROP的医护人员短缺问题。ROP治疗可能包括眼内注射药物、激光手术或常规手术。
确定婴儿是否需要治疗的关键步骤是评估视网膜血管扭曲度（即血管弯曲程度）。当ROP严重时，血管会变得波浪状和扭曲。
“通常，我们通过将病情分为‘加号病变’（非常扭曲）、‘前加号病变’（有些扭曲）或‘非加号’（不扭曲）来描述血管扭曲程度及疾病严重性，”科尔解释道。
科尔和辛格指出，问题在于并非每位临床医生都会采用相同分类标准，这可能导致患者转诊至其他医生时出现诊断分歧。
“不同临床医生对ROP的诊断存在巨大差异，”辛格表示。
AI可改变这一现状。临床医生可使用AI算法扫描ROP检查中已获取的视网膜图像，将血管扭曲程度按1至9级量化评分（9级代表最严重），取代传统的三分类法。这被称为血管严重程度评分。科尔领导的2022年研究表明，该AI工具能有效减少ROP患者中加号病变诊断的变异性。
“算法仅需一张眼底照片即可预测疾病严重程度。当我获得这个血管严重程度评分时，这个数字能帮助我制定诊疗方案，”科尔说。“该AI工具为所有医护人员创建了共同语言，有望缩短检查时间、标准化诊断，并帮助我们更准确预测哪些婴儿需要治疗。”
多年研发历程
辛格多年来一直致力于推进AI技术以辅助ROP筛查。2022年，作为哈佛医学院博士后研究员时，他参与了一项研究，评估基于AI的算法诊断ROP的能力，特别检验该算法在印度、蒙古和尼泊尔外部数据集上的表现。
“AI模型在外部测试集上通常泛化能力较差，尤其在成像设备或患者人口统计特征不同时。令人惊讶的是，我们的算法表现相当出色，”他解释道。“可能的原因是，我们没有直接在原始眼底图像上操作（这些图像在强度和色素沉着上差异显著），而是先分割视网膜血管，再对标准化血管图进行图像分析。这一策略提升了跨站点的鲁棒性。”
该研究特别使用AI衍生的血管严重程度评分来识别将发展为需治疗ROP的婴儿。研究发现，使用AI工具不仅能帮助识别高风险婴儿，还能减少低风险婴儿接受的检查次数。
“广泛的外部验证已证明该基于AI算法的有效性，”辛格指出。“但关键局限在于，许多NICU（尤其是发展中国家）无力负担算法所需的昂贵成像设备。”
为寻找经济替代方案，科尔与辛格联合俄勒冈健康与科学大学研究人员，测试了基于智能手机的ROP远程筛查作为昂贵成像相机的低成本替代方案。他们发现，尽管图像质量较低，智能手机成像设备在准确检测严重ROP方面仍表现出高概率。
从计算机到临床应用
鉴于基于AI的算法已被证明有效，下一步是确定该工具如何在临床中最佳应用，科尔解释道。
“平均而言，研究成果转化到临床实践需要17年，”科尔表示，她对实施科学有研究兴趣，并致力于加速这一过程。“从速度和标准化角度考虑，若非坚信该工具确实高效有用，我不会如此热衷于将其引入NICU。”
科尔计划采访各类利益相关者，收集他们对AI工具及其实施方式的意见。重要利益相关者包括父母、医院管理人员、数据科学家以及眼科医生、呼吸治疗师、NICU护士和新生儿科医生等医护人员。她还将通过NICU试点试验考察临床医生采用该技术的情况及其对临床工作流程的影响。
“该工具有许多潜在用途，这正是我想探索的，”她解释道，该工具不仅可用于NICU，还可用于远程医疗、家长教育以及患者转诊交接。
检测ROP以外的健康状况
辛格指出，使用AI扫描婴儿眼睛图像不仅能帮助检测ROP，还能提供其他全身健康状况的线索。
近期，辛格领导的研究在medRxiv平台发布，探讨ROP检查中获取的视网膜图像是否可能包含与支气管肺发育不良（BPD）和肺动脉高压（PH）等心肺疾病相关的特征——这两种疾病均为早产儿发病和死亡的主要原因。研究表明，这种基于视网膜成像的AI工具可潜在预测早产儿BPD和PH的诊断，或使婴儿更早确诊，从而避免未来侵入性诊断检测。
“我们发现，使用AI而非导管插入术或超声心动图等侵入性操作，能更早检测这些疾病，”辛格表示。“我认为该工具潜力巨大，无论是用于早期检测、疾病管理还是对高风险婴儿的靶向干预。”
科尔补充道：“独特之处在于，当他构建该算法和预测模型时，我正并行开发工作流程，与科罗拉多大学医院和科罗拉多儿童医院的新生儿科医生及NICU领导者合作，确定该预测模型在其诊疗中最有效的应用场景。”
辛格还参与开发基础数据集，探索新生儿群体中不同全身疾病的基于眼组学的生物标志物。在科罗拉多大学安舒茨医学院，他正协助创建专注于多病共存的临床信息学和视网膜成像基础设施，旨在扩展AI算法通过眼部图像分析检测更广泛疾病的能力。
科尔预测，将AI引入NICU的最大挑战将是让临床医生接受这一变革，这正是实施科学方法至关重要的原因。
“我们正以整体方式推进，在算法开发的同时进行用户测试。获得临床医生的认可并让他们看到其价值至关重要，”科尔表示。“该工具有望帮助我们预测谁需要治疗、加快检查速度、标准化诊断并改善医疗可及性。”
【全文结束】
