人工智能阅读标签系统在视网膜疾病眼科医生培训中的潜力：多中心双模态多病种研究

为评估人工智能阅读标签系统在眼科医生培训中的潜力，研究人员开展多中心双模态多病种研究，分析 16 名眼科医生标注准确性等。结果显示该系统可提高诊断准确性，且与标注轮次、学习时长有关。此研究为眼科医学教育提供参考。

　　在当今数字化时代，医疗领域正经历着前所未有的变革，人工智能（AI）技术逐渐渗透到各个专科。眼科作为一个高度依赖图像诊断的学科，AI 的应用潜力巨大。随着人口老龄化加剧，视网膜疾病的发病率不断上升，如糖尿病视网膜病变（DR）、年龄相关性黄斑变性（AMD）等 。这些疾病严重威胁着人们的视力健康，而准确诊断是有效治疗的关键。然而，目前眼科医生的培养面临着诸多挑战，传统的培训方式效率较低，且不同经验水平的医生在诊断准确性上存在较大差异。在此背景下，开展关于 AI 技术在眼科医生培训中应用的研究显得尤为重要。

来自北京协和医院、山东第一医科大学附属眼科医院等多家国内医疗机构的研究人员，进行了一项多中心双模态多病种研究，旨在评估人工智能阅读标签系统对眼科医生在视网膜疾病诊断培训中的潜在作用。该研究成果发表在《BMC Medical Education》杂志上。

研究人员采用了多种关键技术方法。首先，收集了 7777 对以黄斑区域为中心的扫频源光学相干断层扫描（SS-OCT）和彩色眼底摄影（CFP）图像。参与研究的 16 名眼科医生来自四个教学医院，涵盖了不同的经验水平，研究时间跨度从 1 年到 9 年。这些医生被分为 8 组，每组配有一名高级眼科医生把关。研究采用五轮标注的方式，在标注前安排了标准操作程序（SOP）培训会议，并在每轮标注后进行阶段总结会议。研究运用广义估计方程（GEE）分析标注准确性与标注轮次、眼科学习时长之间的关系 。

研究结果主要如下：

1. OCT/CFP 双模态诊断准确性提升：在五轮标注过程中，16 名眼科医生对九种视网膜疾病和正常眼底的双模态诊断平均准确率显著提高（p=0.013）。其中，视网膜脱离（RD）、湿性年龄相关性黄斑变性（wAMD）、黄斑劈裂（MS）和黄斑裂孔（MH）的诊断准确率随标注轮次增加而显著提升。同时，双模态诊断的平均准确率与眼科医生的学习时长呈正相关，在 RD、中心性浆液性视网膜病变（CSC）和 MH 中这种相关性更为显著。
2. OCT 单模态诊断准确性提升：OCT 单模态诊断的平均准确率在五轮标注中也有所提高（p=0.028） 。wAMD 和 MS 的 OCT 单模态诊断准确率随标注轮次增加显著提高。此外，OCT 诊断的平均准确率以及 wAMD、视网膜前膜（ERM）、CSC、MS 的诊断准确率与眼科医生学习时长相关。
3. CFP 单模态诊断准确性提升：CFP 单模态诊断的平均准确率同样随标注轮次增加而提高（p=0.021），RD、wAMD 和 ERM 的诊断准确率也有明显提升。而且，CFP 单模态诊断的平均准确率以及 DR、RD、视网膜静脉阻塞（RVO）、干性年龄相关性黄斑变性（dAMD）、wAMD、ERM、CSC 的诊断准确率与学习时长相关。
4. CFP 和 OCT 的辅助诊断能力差异：通过 kappa 统计分析 CFP/OCT 诊断与最终病例诊断的一致性发现，在诊断 RD、ERM、MS 和 MH 时，OCT 比 CFP 表现更优；而在诊断正常眼底、RVO 和 DR 时，CFP 的表现更好。

在讨论部分，研究人员指出，人口老龄化导致视网膜疾病负担加重，对眼科医生的需求增加，因此优化眼科医生培训过程至关重要。OCT 和 CFP 作为重要的非侵入性成像技术，联合使用能更全面地了解视网膜疾病。本研究发现诊断准确性受标注轮次、培训时长、成像方式和疾病类型的影响，这对年轻眼科医生的教学工作具有重要意义。双模态条件下标注轮次增加带来的准确率提升，体现了阅读标签系统的培训效果。在单模态诊断方面，CFP 可能需要更长的学习时间。此外，AI 在医学教育中的应用日益广泛，本研究展示了 AI 阅读标签系统在提高眼科医生视网膜疾病诊断准确性方面的潜力，为未来眼科医学教育的发展提供了新的方向。

综上所述，该研究表明人工智能阅读标签系统有助于提高眼科医生对视网膜疾病的诊断准确性，在未来眼科医学教育中具有广阔的应用前景。它不仅为眼科医生的培训提供了更有效的方法，也为应对老龄化社会带来的视网膜疾病挑战提供了有力支持，有望推动眼科医学教育和临床诊断水平的进一步提升。