Trí tuệ nhân tạo trong nhãn khoa vào năm
2020: Một công nghệ trên đỉnh để chuyển giao và triển khai
Artificial Intelligence
in Ophthalmology in 2020: A Technology on the Cusp for Translation and
Implementation
Gunasekeran, Dinesh Visva
MD∗,†; Wong, Tien Yin MD, PhD∗,†,‡
Asia-Pacific Journal of
Ophthalmology: March-April 2020 - Volume 9 - Issue 2 - p 61-66
doi:
10.1097/01.APO.0000656984.56467.2c
Với dân số già đi, các hệ thống y tế trên
toàn thế giới đang phải vật lộn để cung cấp dịch vụ chăm sóc mắt đầy đủ ở cấp
độ dân số, làm tăng mức độ suy giảm thị lực (VI) và mù lòa do các bệnh mắt
chính trong tương lai gần.1 Gánh nặng đáng kể của VI có Áp đảo các nỗ lực toàn
cầu nhằm mở rộng năng lực vật chất (phòng khám và bệnh viện mắt và các cơ sở
liên quan) và sự sẵn có của các chuyên gia cung cấp dịch vụ chăm sóc mắt (ví
dụ: bác sĩ nhãn khoa, bác sĩ đo thị lực) .2 Xu hướng này đã được quan sát thấy
ngay cả ở các quốc gia phát triển. Thời gian chờ đợi lâu để gặp bác sĩ nhãn
khoa tại các bệnh viện công là điều phổ biến ở Hoa Kỳ, Anh, Úc, Singapore và
Hồng Kông. Một nghiên cứu ở Anh báo cáo rằng việc trì hoãn chăm sóc trong 22
tuần dẫn đến những tác hại như suy giảm thị lực vĩnh viễn và mất thị lực ở một
số bệnh nhân mà lẽ ra có thể tránh được với sự can thiệp sớm hơn.3 Điều này
phản ánh nhu cầu cấp thiết của sức khỏe cộng đồng đối với các giải pháp hoàn
toàn mới để cải thiện khả năng tiếp cận và sự sẵn có của các dịch vụ chăm sóc
mắt ở sơ cấp, trung cấp và cao cấp cho đông đảo người dân.4
Trong số các bệnh về mắt chính, bệnh võng
mạc tiểu đường (DR), thoái hóa điểm vàng do tuổi tác (AMD), bệnh tăng nhãn áp
và đục thủy tinh thể là những nguyên nhân chính gây mù lòa trên toàn cầu. DR có
những dự báo đáng báo động về tỷ lệ hiện nhiễm mặc dù đã có hiệu quả về chi phí
và hướng dẫn sàng lọc dân số.5–7 Điều này một phần là do gánh nặng của bệnh đái
tháo đường (DM) tăng trưởng đáng kinh ngạc, 8 theo đó DR là biểu hiện cơ quan
cuối thường gặp của DM.9 Tương tự, AMD và bệnh tăng nhãn áp là những nguyên
nhân hàng đầu khác của VI, do dân số già hóa. Khoảng cách trong tầm soát và
quản lý cấp độ dân số đối với DR, AMD và bệnh tăng nhãn áp đã được biết đến
nhiều và chưa được giải quyết đầy đủ bằng các mô hình chăm sóc truyền thống,
vốn có tập trung chủ yếu vào việc cung cấp dịch vụ chăm sóc mắt cao cấp.11–13
NGÀY SỨC KHỎE SỐ VÀ TRÍ TUỆ NHÂN TẠO
(DAWN OF DIGITAL HEALTH
AND ARTIFICIAL INTELLIGENCE)
Công nghệ có thể cung cấp các giải pháp
sáng tạo để giải quyết những khoảng cách đó.14 Sự phát triển thành công của các
giải pháp y tế kỹ thuật số và y tế từ xa đã cung cấp các công cụ mới giúp cải
thiện hiệu quả và khả năng tiếp cận của các dịch vụ chăm sóc mắt hiện có.4 Các
báo cáo gần đây mô tả các mô hình cung cấp dịch vụ chăm sóc mới được hỗ trợ bởi
công nghệ, chẳng hạn như khoa nhãn khoa không đồng bộ ở Anh và Singapore.15,16
Những điều này cho phép nhiều giới thiệu có mục tiêu hơn từ các dịch vụ chăm
sóc mắt ban đầu dựa vào cộng đồng đến các bác sĩ nhãn khoa chuyên khoa, nâng
cao khả năng lựa chọn đúng đắn của bệnh nhân.17 Việc sử dụng thành công các
công nghệ này ở Scotland đã được mô tả trong Tích hợp mắt kính Scotland dự án
thông qua trao đổi hình ảnh điện tử giữa các nhà cung cấp cộng đồng và bác sĩ
lâm sàng của một đơn vị chuyển tuyến tập trung.18 Các lợi ích được báo cáo bao
gồm dịch vụ chuyển tuyến được sắp xếp hợp lý, cải thiện sự hài lòng của bệnh
nhân và tạo dữ liệu thực tế để đào tạo nhà cung cấp.19
Tương tự, các kết quả đáng khích lệ đã
được mô tả về các dịch vụ nhãn khoa kỹ thuật số cho bệnh nhân tiểu đường đến
khám bệnh ngoại trú tại phòng khám nội tiết chuyên khoa ở Ý và các dịch vụ tầm
soát mắt từ xa vùng nông thôn ở ngoại ô và nông thôn Úc, nhờ đó các nguyên nhân
phổ biến khác của mù lòa như AMD và bệnh tăng nhãn áp cũng được phát hiện tình
cờ sớm. / hoặc video tư vấn.4
Tuy nhiên, mặc dù các giải pháp nhãn khoa
kỹ thuật số này đã chứng minh kết quả lâm sàng được cải thiện, khả năng mở rộng
của chúng bị hạn chế bởi nhu cầu về cơ sở hạ tầng và nhân lực bổ sung để vận
hành chúng.4 Sự ra đời của trí tuệ nhân tạo (AI) và các ứng dụng của nó trong
nhãn khoa hứa hẹn sẽ mở rộng và mở rộng việc sử dụng của nhãn khoa kỹ thuật số,
cung cấp tiềm năng cải thiện khả năng tiếp cận, tính sẵn có, và năng suất của
các nguồn lực hiện có và hiệu quả tổng thể của các dịch vụ chăm sóc mắt.24
Telemedicine và AI không bị ràng buộc bởi “ở đâu” (nhu cầu đối với các bệnh
viện mắt chuyên khoa) hoặc ai (sự sẵn có của chuyên gia chăm sóc mắt nhân lực).
Do đó, các giải pháp này có thể được kết hợp với công nghệ khác (ví dụ: thiết
bị hình ảnh) để nhanh chóng phân cấp và mở rộng quy mô các dịch vụ khám mắt và
chăm sóc ban đầu.24 Khi có sẵn các nguồn lực liên quan, điều này đưa ra giải
pháp kịp thời do chu kỳ mua sắm và thời gian cần thiết để đào tạo người điều
hành các giải pháp này ít hơn đáng kể so với yêu cầu đào tạo bác sĩ nhãn khoa.
Kiểm tra mắt rất phù hợp cho việc áp dụng AI do mối quan hệ được hiểu rõ giữa
các đặc điểm lâm sàng và mức độ nghiêm trọng của bệnh trong các bệnh mắt chính
như bệnh tăng nhãn áp 25 và DR, 26 và sẵn sàng hình ảnh để nắm bắt hiệu quả các
đặc điểm này.27
AI TRONG NGHIÊN CỨU NHÃN KHOA SẴN SÀNG CHO
CHUYỂN DỊCH LÂM SÀNG SÀNG VÀ THỰC HIỆN ?
(IS AI IN OPHTHALMOLOGY
RESEARCH READY FOR CLINICAL TRANSLATION AND IMPLEMENTATION?)
AI là một công nghệ được mô tả lần đầu
tiên cách đây hơn 50 năm. Trong 5 đến 10 năm qua, với việc cải thiện sức mạnh
tính toán và bộ dữ liệu lớn, học sâu (DL), một nhánh mới của AI, đã được phát
triển. Nghiên cứu sử dụng các kỹ thuật AI mới hơn, bao gồm cả DL, đã cho thấy
kết quả mạnh mẽ vượt qua hiệu suất của con người trong nhiều lĩnh vực y học và
chăm sóc sức khỏe. AI có thể đã đạt đến “điểm tới hạn” về mức độ sẵn sàng của
công nghệ để dịch sang ứng dụng trong thế giới thực.24
Các ứng dụng của AI trong nhãn khoa bắt
đầu với các kỹ thuật máy học dựa trên tính năng truyền thống (ML) như được mô
tả bởi Ruamviboonsuk và cộng sự 45 trong bài báo của họ về sự phát triển của
các giải pháp AI để kiểm tra mắt trong vấn đề này. Các kỹ thuật ML đó yêu cầu các
bác sĩ nhãn khoa chuyên gia đánh dấu các đặc điểm lâm sàng riêng lẻ và mức độ
nghiêm trọng trong hình ảnh để phát triển các giải pháp AI, đôi khi được gọi là
"học có giám sát". 28 Những hình ảnh được gắn nhãn này được sử dụng
để đào tạo các thuật toán AI để phân loại hình ảnh dựa trên nhận dạng của các
đặc điểm đó nhãn mác. DL là một kỹ thuật AI mới được đào tạo theo cách mà các
chuyên gia không cần phải dán nhãn tính năng, đôi khi được gọi là “học không
giám sát”. Thay vào đó, DL liên quan đến việc sử dụng toàn bộ hình ảnh được các
chuyên gia gắn nhãn chẩn đoán lâm sàng (hoặc mức độ nghiêm trọng), vì vậy AI
“tự học” các tính năng dự đoán để phân loại chẩn đoán hoặc mức độ nghiêm trọng,
với tỷ lệ lỗi tốt hơn được chấp nhận truyền thống. Các báo cáo gần đây đã chứng
minh việc phân loại hình ảnh nhãn khoa bằng DL được cải thiện hơn so với kỹ
thuật ML, 29 với cùng một so sánh đối đầu.30
Nghiên cứu gần đây đã chứng minh hiệu suất
có thể chấp nhận được về mặt lâm sàng của các thuật toán DL này trong việc phân
loại dữ liệu hình ảnh nhãn khoa, chẳng hạn như chụp ảnh quỹ đạo màu (CFP) cho
các bệnh mắt khác nhau như DR.29 Các ứng dụng thành công khác bao gồm ứng dụng
đó để phân loại chụp cắt lớp kết hợp quang học (OCT ).31 By cung cấp thông tin
3 chiều chi tiết thay vì thông tin 2 chiều từ CFP, việc kết hợp hình ảnh OCT có
thể cải thiện hiệu suất của các công cụ sàng lọc dựa trên CFP hiện có. Đối với
các bệnh mắt chính của DR, AMD và bệnh tăng nhãn áp, may mắn thay, các đặc điểm
võng mạc tương ứng với kết quả lâm sàng và mức độ nghiêm trọng đã được mô tả,
25,32 cho phép đào tạo DL để phân loại hình ảnh nhãn khoa.33,34 Hệ thống DL đã
được phát triển cho phân loại DR trong hình ảnh CFPs35–37 và OCT, 38 đã được
tóm tắt cùng với các ứng dụng khác trong một đánh giá gần đây.29 Hơn nữa, hệ
thống DL phân loại AMD trong CFPs33,39,40 dự đoán sự tiến triển của AMD bằng
cách sử dụng OCT, 41 và phân loại bệnh tăng nhãn áp trong nhãn khoa hình ảnh
cũng đã được mô tả, 42,43 với một số được chứng minh trong bộ dữ liệu thế giới
thực từ các cơ sở sàng lọc như phòng khám bệnh từ xa và bệnh tăng nhãn áp.44
Các nghiên cứu và sáng kiến DL mới khác
ở châu Á cũng đã được mô tả trong bài báo về sự phát triển của các giải pháp
dựa trên AI để sàng lọc mắt do Ruamviboonsuk et al45 đóng góp trong số báo này.
Các tác giả đề xuất các phương pháp để giảm chi phí của các dịch vụ nhãn khoa
kỹ thuật số và / hoặc nhãn khoa dựa trên AI, chẳng hạn như đào tạo học sinh xếp
loại để tăng cường các dịch vụ kỹ thuật số và giảm nhu cầu về các bác sĩ nhãn
khoa được đào tạo chuyên khoa để hỗ trợ các dịch vụ, giải phóng các bác sĩ nhãn
khoa cho Theo dõi nhiều hơn những bệnh nhân cần đánh giá thêm hoặc các dịch vụ
can thiệp. Các nhà nghiên cứu độc lập ở Singapore và Hàn Quốc thậm chí đã áp
dụng một hệ thống học sâu duy nhất để phát hiện đồng thời nhiều bệnh về mắt có
thể chữa khỏi như bệnh tăng nhãn áp, AMD và DR với độ chính xác cao. kỹ thuật
cho các ứng dụng mới nổi của AI liên quan đến đục thủy tinh thể, một lĩnh vực
tương đối chưa được khám phá trong nhãn khoa. Những phạm vi này bao gồm tự động
hóa việc lựa chọn ống kính nội nhãn trong quá trình lập kế hoạch trước phẫu
thuật cho phẫu thuật đục thủy tinh thể, đến phát hiện đục thủy tinh thể trong
hình ảnh nhãn khoa như chụp ảnh CFP hoặc đèn khe.
AI CÓ THỂ TÁC ĐỘNG NHƯ THẾ NÀO TRONG VIỆC
CHẨN ĐOÁN VÀ SÀN LỌC NHÃN KHOA? (HOW CAN AI MAKE AN IMPACT IN OPHTHALMOLOGY
DIAGNOSIS AND SCREENING?)
Mặc dù các báo cáo nghiên cứu này về hiệu
suất DL tuyệt vời trong các nghiên cứu xác nhận lâm sàng, nhưng rất ít nghiên
cứu đã đánh giá các hình thức phù hợp để triển khai trong thế giới thực. Điều này
có thể thực hiện theo mô hình “hoàn toàn tự động” hoặc “bán tự động” (Hình 1).
“Mô hình hoàn toàn tự động” sẽ hoạt động mà không có sự tham gia của con người,
theo đó hệ thống AI bắt đầu chuyển tuyến đến các bác sĩ nhãn khoa nếu cần thiết
hoặc đánh dấu bệnh nhân là phù hợp để tiếp tục theo dõi tại cộng đồng. Ngược
lại, “mô hình bán tự động” có thể sử dụng nhiều hình thức khác nhau của sự tham
gia của học sinh hoặc bác sĩ nhãn khoa để tăng cường phân loại bằng DL như một
công cụ để phân loại bệnh nhân.
HÌNH
1:
Các ứng dụng tiềm năng của giải pháp DL để
sàng lọc DR. Hình ảnh minh họa việc áp dụng giải pháp DL để sàng lọc DR sử dụng
hình ảnh, so sánh thực hành lâm sàng hiện có với mô hình AI hoàn toàn tự động
(thay thế) và mô hình AI bán tự động (triage). AI chỉ trí tuệ nhân tạo; DL, học
sâu; DR, bệnh võng mạc tiểu đường.
Một ví dụ rõ ràng về nơi mà công nghệ DL
dựa trên AI có khả năng “lấp đầy” một khoảng trống ngày càng tăng là trong sàng
lọc DR. Gánh nặng ngày càng tăng của DR đã vượt qua quá trình đào tạo các
chuyên gia chăm sóc mắt trong thời gian dài, gây ra sự rạn nứt ngày càng lớn
giữa năng lực hệ thống y tế trong việc sàng lọc và nhu cầu lâm sàng.48 Mô hình
truyền thống để sàng lọc DR và 2 mô hình có thể có của các công cụ dựa trên
AI để phân loại tự động của DR được thể hiện trong Hình 1. Lý tưởng nhất là
trong một số tình huống, các thuật toán DL dựa trên AI có thể được triển khai
bằng cách sử dụng “mô hình hoàn toàn tự động” (như một thử nghiệm thay thế),
theo đó việc phân loại được tiến hành độc lập bởi AI với phân loại và giới
thiệu đến bác sĩ nhãn khoa nếu được yêu cầu (Hình 1). Ngoài ra, các thuật toán
DL dựa trên AI có thể được triển khai trong “mô hình bán tự động”, theo đó
người đánh giá là con người (bác sĩ / chuyên viên đo thị lực / độc giả) làm
trung gian phân loại dữ liệu hình ảnh mà AI cho là bất thường.
Xie và các cộng sự đã mô tả tính hiệu quả
về chi phí của một mô hình bán tự động hóa như vậy được phát triển ở Singapore,
theo đó AI được sử dụng để phân loại CFP và những người được gắn cờ là bất
thường được đánh giá bởi học sinh phân loại bằng cách sử dụng nhãn khoa.49
Ngoài việc xác định hình thức thực hiện lý tưởng, có một số thách thức thực tế,
kỹ thuật và văn hóa xã hội khác vẫn chưa được giải quyết. Những điều này sẽ
được tìm hiểu chi tiết trong phần sau..
NHỮNG THÁCH THỨC HIỆN NAY CỦA AI TRONG
THỰC HÀNH LÂM SÀNG( WHAT ARE CURRENT CHALLENGES IN IMPLEMENTATION OF AI IN
CLINICAL PRACTICE?)
Những thách thức thực tế (Practical Challenges)
Thách thức lớn đầu tiên trong việc triển
khai các giải pháp AI đã được xác thực là cần có một giải pháp tổng thể phù hợp
để ứng dụng thực tế. Điều này có thể yêu cầu sự kết hợp của các hệ thống DL với
hiệu suất được chấp nhận về mặt lâm sàng và khả năng tương tác của giải pháp để
nhận hình ảnh có chất lượng khác nhau từ các thiết bị thường được sử dụng. Hỗ
trợ các hướng dẫn lâm sàng để truyền thông lâm sàng về phân loại hệ thống DL
cho bệnh nhân và lựa chọn bệnh nhân cũng cần được phát triển. Grassmann và cộng
sự trước đây đã minh họa tầm quan trọng của việc lựa chọn bệnh nhân thích hợp
trong báo cáo của họ về phân loại sai bởi hệ thống DL phát sinh do phản xạ điểm
vàng ở bệnh nhân trẻ tuổi trong bộ dữ liệu xác nhận của họ, khi những người trẻ
tuổi không được đại diện trong bộ dữ liệu đào tạo hệ thống DL.33
Hơn nữa, hầu hết các hệ thống DL hiện có
chỉ được xác nhận để phân loại độc lập một bệnh mắt tại một thời điểm. Thực tế
không khả thi đối với các nhà cung cấp không có kỹ thuật AI hoặc chuyên môn về
phần mềm. May mắn thay, các nhà nghiên cứu đang phát triển các giải pháp cho
những thách thức này, chẳng hạn như Ting và cộng sự và Son và cộng sự, những
người đã chứng minh độ chính xác của một hệ thống DL duy nhất để phân loại
nhiều bệnh mắt có thể chữa khỏi như DR, bệnh tăng nhãn áp và AMD. bất kỳ công
nghệ mới nào cũng cần được giải quyết. Ví dụ, như với bất kỳ xét nghiệm sàng
lọc nào, cần có các hệ thống và quy trình hỗ trợ để giải quyết các bệnh nhân bị
phân loại sai như dương tính giả hoặc âm tính. Điều này liên quan đến nhu cầu
thực hành tiêu chuẩn hóa trong việc phát triển, xác nhận, báo cáo và triển khai
AI để tránh phân loại sai khi áp dụng cho các nhóm đối tượng mục tiêu khác nhau
về cơ bản.33 Cuối cùng, những thách thức về đạo đức và pháp lý trong việc áp
dụng hệ thống DL để phân loại dữ liệu lâm sàng cho rằng nó không thể giải thích
được cũng cần được giải quyết. Trong trường hợp phân loại sai, trách nhiệm pháp
lý thuộc về bác sĩ lâm sàng hoặc nhà cung cấp công nghệ AI? Nhiều câu hỏi như
thế này vẫn chưa được giải quyết và sẽ góp phần chống lại việc áp dụng.
Những thách thức kỹ thuật (Technical Challenges)
Đầu tiên, nhu cầu về dữ liệu đào tạo phù
hợp và xác nhận bên ngoài là một thách thức kỹ thuật lớn cần được giải quyết để
tạo điều kiện thuận lợi cho khả năng tổng quát hóa và dịch thuật của các giải
pháp này. Điều này đã được Goh et al47 làm rõ thêm trong bài báo của họ đóng
góp cho vấn đề này. Điều này cũng đặt ra thách thức tiếp theo - việc ghi nhãn
dữ liệu đầu vào cho quá trình đào tạo tốn nhiều công sức, đòi hỏi sự tham gia
của các chuyên gia thực hành gây ra sai sót cho con người. Cùng với nhu cầu lựa
chọn bệnh nhân cẩn thận, nhu cầu lặp đi lặp lại việc dán nhãn bộ dữ liệu hình
ảnh để hiệu chuẩn hệ thống DL cho từng nhóm dân số mới có thể làm chậm việc áp
dụng và góp phần vào chi phí thiết lập.50 Tuy nhiên, nghiên cứu mới đây đã
chứng minh rằng các thuật toán DL có thể được đào tạo để tự động hóa việc gắn
nhãn dữ liệu đào tạo bằng cách sử dụng dữ liệu từ quét 3 chiều chi tiết như
OCT, để đào tạo một thuật toán DL mới để phân loại một loại quét khác như CFP 2
chiều.51 Điều này có thể giải quyết các hạn chế của con người và giúp mở rộng
quy mô thiết lập quy trình hiệu chuẩn để cải thiện hiệu suất khi áp dụng hệ
thống DL cho các quần thể mục tiêu mới.
Hơn nữa, bản chất “hộp đen” của AI và
thiếu khả năng giải thích của các kỹ thuật DL là một thách thức kỹ thuật lớn
khác cần được giải quyết. Tiến bộ trong việc phát triển AI có thể giải thích để
phân loại hình ảnh bao gồm các kỹ thuật mới nổi như “chú ý nhẹ”, kiểm tra 52
tắc và bản đồ độ mặn để xác định các pixel trong hình ảnh thúc đẩy phân loại
của hệ thống DL.53 Các phương pháp mới như “tính điểm lỗi có trọng số ”Cũng
đang được phát triển để giúp đánh giá tác động của các quyết định phân loại tự
động sai đối với việc phân loại của con người.54 Tuy nhiên, các phương pháp này
vẫn yêu cầu sự phát triển của sự đồng thuận của chuyên gia, các tiêu chuẩn và
hướng dẫn về đánh giá hiệu suất của bất kỳ hệ thống DL nào để thực hiện trong
chăm sóc mắt dịch vụ.
Những thách thức về văn hóa xã hội (Sociocultural Challenges)
Có những thách thức về văn hóa xã hội trên
toàn cầu trong việc áp dụng công nghệ AI vào thực hành lâm sàng. Châu Á là một
ví dụ điển hình. Châu Á là một lục địa rộng lớn với nền văn hóa và sinh học dân
số không đồng nhất, cùng với sự khác biệt độc đáo về cách thức chi tiêu và tiêu
dùng cho y tế.55 Mặc dù hệ thống y tế quốc gia Châu Á đang phát triển nhanh
chóng với nhiều cộng đồng có nguồn lực và hệ thống y tế tương đương với phương
Tây, nhưng nguồn lực hạn chế cài đặt bao gồm một phần lớn đáng kể. Các cộng
đồng này vẫn bị thiệt thòi do sự khác biệt đáng kể về địa lý trong khả năng sẵn
có của cơ sở hạ tầng, khả năng tiếp cận chăm sóc sức khỏe và bất bình đẳng về
thu nhập của người dân.56 Những yếu tố xã hội quyết định chính đến sức khỏe sẽ
ảnh hưởng đến hiệu quả và việc áp dụng bất kỳ can thiệp công nghệ y tế mới
nào.14 Những thách thức này hiện nay là những thách thức riêng trong việc thực
hiện phá giải pháp cho các chương trình sàng lọc mắt dựa trên AI, do nhu cầu
của cả người dùng có nhu cầu cao và thấp cần được giải quyết để triển khai
thành công công cụ sàng lọc dân số đột phá.
Thứ nhất, việc thiếu cơ sở hạ tầng là một
thách thức lớn đối với việc triển khai các giải pháp kỹ thuật số ở một số khu
vực do các khu vực rộng lớn không có nguồn điện và / hoặc internet đáng tin
cậy. Do đó, có thể cần các giải pháp di động với nguồn điện có thể sạc lại để
hỗ trợ các chương trình sàng lọc di động. Gắn thẻ vị trí địa lý nguồn mở sẽ
giúp điều phối các nguồn lực cho các sáng kiến tiếp theo của chính phủ hoặc
các tổ chức từ thiện, chẳng hạn như các trại tiếp cận phẫu thuật đục thủy tinh
thể. Khoảng cách trong phạm vi phủ sóng internet đòi hỏi sự phát triển của các
giải pháp AI được bản địa hóa trong phần cứng sàng lọc để cung cấp kết quả thời
gian thực ngoại tuyến một cách hiệu quả và được truyền tải đến bệnh nhân tại
điểm chăm sóc, cho phép chăm sóc phi tập trung.57 Giải pháp thay thế sẽ là “cửa
hàng- và chuyển tiếp ”cấu hình thiết bị thu thập dữ liệu được gắn thẻ địa lý
trong quá trình sàng lọc trên thiết bị di động và sau đó tải dữ liệu lên máy
chủ dựa trên đám mây để phân tích sau khi được gắn vào thiết bị đầu cuối tập
trung hoặc được kết nối với internet. Tuy nhiên, phương pháp sau sẽ yêu cầu các
hệ thống mới tập trung hóa sự phối hợp chăm sóc và truyền đạt kết quả cho bệnh
nhân, không giống như các giải pháp cục bộ cung cấp thông tin chi tiết tại điểm
chăm sóc — có thể dễ dàng phủ lên các hệ thống vi lâm sàng hơn.
Hơn nữa, các bác sĩ chuyên khoa thường
hành nghề tại các bệnh viện cấp ba có khu vực địa lý rộng lớn nhận được sự giới
thiệu từ các nhà cung cấp dịch vụ chăm sóc mắt chính. Do đó, các nền tảng nhãn
khoa không đồng bộ có thể là một tính năng cần thiết để đảm bảo chuyển tuyến
thích hợp bệnh nhân được phân bổ đến chăm sóc cấp ba.4 Điều này sẽ giảm tình
trạng dương tính giả và việc đi lại không cần thiết có thể kéo dài hàng ngày
giữa các khu định cư nông thôn và nhà cung cấp dịch vụ chăm sóc cấp ba gần
nhất. Những cân nhắc chính đối với các chương trình sàng lọc dựa trên AI đối
với các cài đặt hạn chế tài nguyên được tóm tắt theo sơ đồ trong Hình 2.
HÌNH 2:
Phát triển mô hình triển khai sàng lọc mắt
dựa trên AI trong các môi trường hạn chế về tài nguyên. Minh họa những cân nhắc
cho toàn bộ giải pháp được thiết kế để sàng lọc mắt dân số dựa trên AI trong
cài đặt hạn chế tài nguyên bao gồm thuật toán AI được (A) Bản địa hóa trong các
công cụ sàng lọc (trên cùng bên trái) hoặc (B) dựa trên đám mây với “store-and-
cấu hình chuyển tiếp ”(dưới cùng bên trái); (C) hệ thống tư vấn từ xa không
đồng bộ để xem xét chi phí thấp các giới thiệu của các nhà cung cấp cấp ba
(dưới cùng bên phải); (D) An ninh mạng để bảo vệ các dạng dữ liệu bệnh nhân
khác nhau trong quá trình lưu trữ hoặc chuyển tiếp (trên cùng bên phải); tất cả
đều được xây dựng dựa trên các giải pháp di động (E) với gắn thẻ vị trí địa lý
để tạo điều kiện phối hợp trên các khu vực lưu vực địa lý rộng lớn (trung tâm).
AI chỉ ra trí thông minh nhân tạo.
KẾT LUẬN
Với tất cả những thách thức quan trọng
này, có thể dễ bị loại bỏ AI như một “mốt nhất thời” và khó có thể thấy AI là
một “thực tế gần đủ” với toàn bộ các giải pháp để triển khai lâm sàng. Tuy
nhiên, khả năng của AI và DL đang nhanh chóng được cải thiện với các giải pháp
tiềm năng mới cho các thách thức kỹ thuật luôn xuất hiện, một số trong số đó đã
được nêu ở trên. Hơn nữa, nghiên cứu về AI trong nhãn khoa đã chuyển từ việc
phát triển và xác nhận các công cụ này sang việc triển khai. Đây là bước quan
trọng cần thiết để xác định những thách thức tiềm năng về văn hóa xã hội và
thực tiễn để phát triển các giải pháp nhắm mục tiêu dựa trên nhu cầu của người
dùng: bệnh nhân và nhà cung cấp. Mặc dù có thể không còn "vài tháng
nữa", nhưng các giải pháp AI trong nhãn khoa có khả năng trở thành hiện
thực trong thập kỷ mới này.
Kết luận, trong các khu vực hẹp, được xác
định rõ ràng, AI đã cho thấy hứa hẹn to lớn trong việc mở rộng khả năng sàng
lọc mắt của các hệ thống y tế. Đầu tiên, điều này có thể đạt được bằng cách tự
động hóa việc phân loại DR và các bệnh mắt khác trong nhiều ứng dụng lâm
sàng, được nêu bật bởi Ruamviboonsuk và cộng sự, và trong việc quản lý một số
bệnh như đục thủy tinh thể theo đề xuất của Goh và cộng sự 47. Đương nhiên, khi
công nghệ phát triển từ xác nhận lâm sàng sang dịch thuật với mức độ sẵn sàng
công nghệ ngày càng tăng, những thách thức mới trong việc tích hợp các giải
pháp AI trong các lộ trình chăm sóc lâm sàng và hệ thống chăm sóc sức khỏe sẽ
xuất hiện. Các giải pháp được nhắm mục tiêu tiềm năng đã được nghiên cứu và báo
cáo cho nhiều thách thức được nêu ra. Các giải pháp kỹ thuật số chi phí thấp,
đơn giản hơn, chẳng hạn như các hệ thống dựa trên điện thoại thông minh trong
các cài đặt hạn chế về tài nguyên, 58 có thể tăng thêm sự dễ dàng cho việc
triển khai AI. Tất cả các yếu tố được xem xét, AI dường như đã sẵn sàng để dịch
và triển khai nhằm tạo ra cuộc cách mạng về chăm sóc mắt sau năm 2020.
Artificial Intelligence in Ophthalmology
in 2020: A Technology on the Cusp for Translation and Implementation
Gunasekeran, Dinesh Visva MD∗,†; Wong, Tien Yin MD, PhD∗,†,‡
Asia-Pacific
Journal of Ophthalmology: March-April
2020 - Volume 9 - Issue 2 - p 61-66
doi:
10.1097/01.APO.0000656984.56467.2c
With
aging populations, health systems worldwide are struggling to provide adequate
eye care at the population level, giving rise to projections of increasing
levels of visual impairment (VI) and blindness from major eye diseases in the
near future.1 The substantial burden of VI has
overwhelmed global efforts to expand the physical capacity (eye clinics and
hospitals and related facilities) and expert availability of eye care providers
(eg, ophthalmologists, optometrists).2 This trend has
been observed even in developed nations. Long waiting times to see an
ophthalmologist in public hospitals are common in the United States, UK,
Australia, Singapore, and Hong Kong. A study in England reported that a delay
in care of 22 weeks resulted in harms such as permanent visual acuity
deterioration and visual field loss in some patients that could have been
avoided with earlier intervention.3 This reflects
the urgent public health need for completely novel solutions to improve the
accessibility and availability of eye care services at primary, secondary, and
tertiary level for the larger population.4
Of
the major eye diseases, diabetic retinopathy (DR), age-related macular
degeneration (AMD), glaucoma, and cataract are major global causes of
blindness. DR has alarming projections for prevalence despite established
cost-effectiveness and guidelines for population screening.5–7 This is partly due to staggering growth in the burden of
diabetes mellitus (DM),8 whereby DR is a common end organ
manifestation of DM.9 Similarly, AMD and glaucoma are other
leading causes of VI, driven by aging populations.10 Gaps in population-level screening and management of DR,
AMD, and glaucoma are well known and have not been adequately tackled using
traditional models of care, which have largely focused on provision of tertiary
level eye care.11–13
DAWN OF DIGITAL HEALTH AND ARTIFICIAL
INTELLIGENCE
Technology
may provide innovative solutions to address such gaps.14 The successful development of digital health and
telemedicine solutions have provided new tools that improve the efficiency and
accessibility of existing eye care services.4 Recent reports
describe new models of care delivery enabled by technology, such as
asynchronous teleophthalmology in England and Singapore.15,16 These enabled more targeted referrals from community-based
primary eye care services to specialist ophthalmologists, enhancing right
siting of patients.17 Successful use of these technologies in
Scotland has been described in the Scottish Eyecare Integration project through
electronic image exchange between community providers and clinicians of a
centralized referral unit.18 Reported benefits include streamlined
referral services, improved patient satisfaction, and generation of real-world
data for provider training.19
Similarly,
encouraging results have been described of digital ophthalmology services for
patients with diabetes attending a specialist endocrinology outpatient clinic
in Italy and rural remote eye screening services in suburban and rural
Australia, whereby other common causes of blindness such as AMD and glaucoma
were also incidentally detected early.20,21 Over
in India, teleophthalmology has also been used to enhance access to eye
screening and remote specialist review in rural settings using synchronous22 or mixed synchronous-asynchronous solutions,23 whereby the latter uses a mix of store-and-forward and/or
video consultation.4
However,
although these digital ophthalmology solutions have demonstrated improved
clinical outcomes, their scalability is constrained by the need for additional
infrastructure and manpower to operationalize them.4 The advent of artificial intelligence (AI) and its
applications in ophthalmology promise to extend and expand the use of digital
ophthalmology, providing the potential to improve the accessibility,
availability, and productivity of existing resources and overall efficiency of
eye care services.24 Telemedicine and AI are not constrained
by the “where” (need for specialized eye hospitals) or who (availability of
expert eye care manpower). Therefore, these solutions can be paired with other
technology (eg, imaging devices) to quickly decentralize and scale-up eye
screening and primary care services.24 Where relevant
resources are available, this presents a timely solution as procurement cycles
and the time required to train operators of these solutions are significantly
less than that required to train ophthalmologists. Eye screening is well-suited
for the application of AI due to well-understood relationships between clinical
features and disease severity in the major eye diseases such as glaucoma25 and DR,26 and ready
availability of imaging to effectively capture these features.27
IS AI IN OPHTHALMOLOGY RESEARCH READY FOR
CLINICAL TRANSLATION AND IMPLEMENTATION?
AI
is a technology that was first described >50 years ago. In the past 5 to 10
years, with improving computing power and large datasets, deep learning (DL), a
new branch of AI, has been developed. Research using newer AI techniques,
including DL, has shown robust results that has surpassed human performance in
many areas of medicine and healthcare. AI has possibly reached a “tipping
point” in technology readiness level for translation to real-world application.24
Applications
of AI in ophthalmology began with traditional feature-based machine learning
(ML) techniques as described by Ruamviboonsuk et al45 in their article about the evolution of AI solutions for
eye screening in this issue. Those ML techniques required expert
ophthalmologists to label individual clinical features and severity in images
to develop the AI solutions, sometimes referred to as "supervised
learning."28 These labeled images were used to train AI
algorithms to classify the images based on identification of those feature
labels. DL is a new AI technique that is trained in a manner that bypasses the
need for feature labeling by experts, sometimes referred to as “unsupervised
learning.” DL instead involves using entire images labeled with clinical
diagnosis (or severity) by experts, so the AI “self-learns” the predictive
features for classification of diagnosis or severity, with better than
traditionally accepted error rates. Recent reports demonstrated improved
classification of ophthalmic imaging using DL compared with ML techniques,29 with the same in head-to-head comparisons.30
Recent
research has demonstrated clinically acceptable performance of these DL
algorithms in classifying ophthalmic imaging data such as color fundus
photography (CFP) for various eye diseases such as DR.29 Other successful applications include that for classifying
optical coherence tomography (OCT) scans.31 By providing
granular 3-dimensional information as opposed to 2-dimensional information from
CFPs, the incorporation of OCT imaging may improve the performance of existing
CFP-based screening tools. For the major eye diseases of DR, AMD, and glaucoma,
fortunately, retinal features that correspond to clinical outcomes and severity
have been described,25,32 enabling the training of DL to classify
ophthalmic imaging.33,34 DL systems have been developed for
classifying DR in CFPs35–37 and OCT images,38 which have been summarized along with other applications
in a recent review.29 Furthermore, DL systems that classify
AMD in CFPs33,39,40 predict AMD progression using OCTs,41 and classify glaucoma in ophthalmic imaging have also been
described,42,43 with some demonstrated in real-world
datasets from screening settings such as teleophthalmology and glaucoma
clinics.44
Other
new DL studies and initiatives in Asia have also been described in the article
on the evolution of AI-based solutions for eye screening contributed by
Ruamviboonsuk et al45 in this issue. The authors suggest methods
to reduce the cost of digital ophthalmology and/or AI-based ophthalmology
services, such as the training of human graders to augment the digital services
and reduce the need for specialist-trained ophthalmologists to support the
services, freeing up ophthalmologists for more follow-up of patients requiring
further assessment or interventional services. Independent researchers in
Singapore and Korea have even applied a single deep learning system to
simultaneously detect multiple referable eye diseases such as glaucoma, AMD and
DR with high accuracy.36,46 In another completely different area of
cataract detection and management, Goh et al47 discussed
techniques for emerging applications of AI related to cataract, a relatively
underexplored area in ophthalmology. These range from automating the selection
of intraocular lenses during preoperative planning for cataract surgery, to
detecting cataract in ophthalmic imaging such as CFP or slit lamp photography.
HOW CAN AI MAKE AN IMPACT IN OPHTHALMOLOGY
DIAGNOSIS AND SCREENING?
Despite
these research reports of excellent DL performance in clinical validation
studies, few studies have evaluated suitable forms for its real-world
implementation. This can either take on a “fully-automated” or “semi-automated”
model (Fig. 1).
The “fully-automated model” would function with no human provider involvement,
whereby the AI system initiates referrals to ophthalmologists where necessary
or flags patients as suitable for continued community-based monitoring. In
contrast, a “semi-automated model” can take on various forms of human grader or
ophthalmologist involvement to augment classification by the DL as a tool for
triage of patients.
Potential applications
of a DL solution for DR screening. Illustration of the application of a DL
solution for DR screening using imaging, comparing existing clinical practice
with a fully automated AI model (replacement) and a semiautomated AI model
(triage). AI indicates artificial intelligence; DL, deep learning; DR, diabetic
retinopathy.
A
clear example of where an AI-based DL technology can potentially “fill” a
growing gap is in DR screening. The increasing burden of DR has outpaced the
long process of training eye care professionals, causing an expanding rift
between health system capacity in screening and clinical demand.48 The traditional model for DR screening, and 2 possible
models of AI-based tools for automated classification of DR are shown in Figure 1.
Ideally, in some situations, AI based-DL algorithms can be implemented using a
“fully-automated model” (as a replacement test), whereby classification is
independently conducted by the AI with triage and referrals to ophthalmologists
where required (Fig. 1).
Alternatively, AI based-DL algorithms can be implemented in a “semi-automated
model,” whereby a human assessor (doctors/optometrists/readers) mediates
classification of imaging data that the AI labels as abnormal.
Xie
et al have described the cost-effectiveness of one such semiautomated model
developed in Singapore whereby the AI is used to triage CFPs and those flagged
as abnormal are reviewed by human graders using teleophthalmology.49 Apart from determining the ideal form of implementation,
there are several other practical, technical, and sociocultural challenges that
have yet to be addressed. These will be explored in detail in the following
section.
WHAT ARE CURRENT CHALLENGES IN IMPLEMENTATION
OF AI IN CLINICAL PRACTICE?
Practical Challenges
The
first major challenge in the implementation of validated AI solutions is the
need for a whole solution suitable for practical application. This may require
a combination of DL systems with clinically acceptable performance and
interoperability of the solution to receive images of varying quality from
commonly used devices. Supporting clinical guidelines for the clinical
communication of DL systems classification to patients and for patient
selection also need to be developed. Grassmann et al have previously
illustrated the importance of appropriate patient selection in their report of
misclassifications by a DL system that arose due to macular reflex in younger
patients in their validation dataset, when the young were not represented in
the DL systems training dataset.33
Furthermore,
most existing DL systems have only been validated for independent
classification of a single eye disease at a time. A need to maintain and switch
between multiple DL systems for each possible eye disease is not practically
feasible for providers without technical AI or software expertise. Fortunately,
researchers are developing solutions for these challenges, such as Ting et al and
Son et al who have demonstrated accuracy of a single DL systems to classify
multiple referable eye diseases such as DR, glaucoma, and AMD.36,46 Other challenges common to any new technology also need to
be addressed. For instance, as with any screening test, supporting systems and
processes are needed to address misclassified patients such as false-positives
or negatives. This relates to the need for standardized practices in the
development, validation, reporting, and implementation of AI to avoid misclassification
when applied to fundamentally different target populations.33 Finally, the ethical and legal challenges in applying DL
systems for classification of clinical data given that it is not explainable
also need to be addressed. In the event of a misclassification, does the
liability lie with the clinician or the AI technology provider? Many questions
like these have yet to be addressed and will contribute to resistance to
adoption.
Technical Challenges
First,
the need for suitable training data and external validation is a major
technical challenge that needs to be addressed to facilitate generalizability
and translation of these solutions. This has been further elaborated on by Goh
et al47 in their article contributed to this
issue. This also begets the next challenge—the laborious labeling of input data
for the training process, requiring the involvement of expert practitioners
that make human errors. Coupled with the need for careful patient selection,
the repeated need for labeling imaging datasets for calibrating a DL system for
each new population may delay adoption and contribute to set-up costs.50 However, emerging research has demonstrated that DL
algorithms could be trained to automate the labeling of training data using
data from a detailed 3-dimensional scan such as the OCT, to train a new DL
algorithm to classify a different type of scan such as 2-dimensional CFPs.51 This could address the human limitations and help scale up
the calibration process for improved performance when a DL system is applied to
new target populations.
Furthermore,
the “black box” nature of AI and lack of explainability of DL techniques is
another major technical challenge that needs to be addressed. Progress in the
development of explainable AI for image classification includes emerging
techniques such as “soft attention,”52 occlusion
testing, and saliency maps to identify the pixels in images that drive the DL
systems’ classification.53 New methods such as “weighted error
scoring” are also being developed to help evaluate the impact of wrong
automated classification decisions against grading by humans.54 However, these methods still require the development of
expert consensus, standards, and guidelines on evaluating the performance of
any DL systems for implementation in eye care services.
Sociocultural Challenges
There
are sociocultural challenges globally in the adoption of AI technology in
clinical practice. Asia is a good example. Asia is a vast continent with
heterogeneous population biology and culture, along with unique differences in
health spending and consumption patterns.55 Although
national Asian health systems are rapidly developing with pockets of
communities that have comparable resources and health systems to the west,
resource-limited settings encompass a significant majority. These communities
remain disadvantaged by considerable geographical variation in infrastructure
availability, health care accessibility and population income inequality.56 These major social determinants of health would impact the
effectiveness and adoption of any new health technology intervention.14 These present unique challenges in the implementation of
disruptive solutions for AI-based eye screening programs, given that the needs
of both high and low demand users need to be addressed for successful
deployment of a disruptive population screening tool.
First,
a lack of infrastructure is a major challenge for implementing digital
solutions in some regions due to large areas without reliable access to
electricity and/or internet. Therefore, portable solutions with rechargeable
power supply may be needed to facilitate mobile screening programs. Open-source
geolocation tagging would help in the co-ordination of resources for follow-up
initiatives by government or philanthropic organizations, such as cataract
surgery outreach camps. Gaps in internet coverage necessitate the development
of AI-solutions localized within screening hardware to provide real-time
results effectively offline that be conveyed to patients at the point-of-care, enabling
de-centralized care.57 The alternative would be
“store-and-forward” device configurations that collect geotagged data during
mobile screening and subsequently upload data to a cloud-based server for
analysis once docked in a centralized terminal or connected to the internet.
However, the latter would require new systems to centralize care co-ordination
and communicate results to patients, unlike local solutions that deliver
insights at the point of care—which can be more easily overlaid to clinical
microsystems.
Furthermore,
specialists generally practice in tertiary hospitals with massive geographical
catchment areas of referrals from primary eye care providers. Therefore,
asynchronous teleophthalmology platforms may be an essential feature to ensure
appropriate referrals of patients triaged to tertiary care.4 This will reduce false-positives and unnecessary travel
that can amount to days between rural settlements and the nearest tertiary care
provider. The major considerations for AI-based screening programs for
resource-limited settings are summarized diagrammatically in Figure 2.
Developing a model for
implementation of AI-based eye screening in resource-limited settings.
Illustrates considerations for a whole solution designed for AI-based
population eye screening in resource-limited settings including AI-algorithms
that are either (A) Localized within screening tools (top left) or (B)
cloud-based with “store-and-forward” configuration (bottom left); (C)
asynchronous teleconsultation systems for low cost review of referrals by
tertiary providers (bottom right); (D) Cybersecurity to protect the various
forms of patient data in storage or transit (top right); all of which are built
around (E) mobile solutions with geolocation tagging to facilitate
co-ordination over vast geographical catchment areas (center). AI indicates
artificial intelligence.
CONCLUSIONS
Given
all these significant challenges, it may be tempting to dismiss AI as a
“passing fad” and difficult to see how AI is a “near-enough reality” with whole
solutions for clinical implementation. However, AI and DL capabilities are
rapidly improving with new potential solutions for technical challenges
emerging all the time, some of which have been outlined above. Furthermore,
research of AI in ophthalmology has transitioned from the development and
validation of these tools towards the implementation. This is a key step
required to scope out the potential practical and sociocultural challenges to develop
targeted solutions based on the needs of users: patients and providers.
Although it may not be “months away,” AI solutions in ophthalmology is likely a
reality in this new decade.
In
conclusion, in narrow, well defined areas, AI has shown tremendous promise in
expanding health systems’ capacity of eye screening. For one, this can be
achieved by automating the classification of DR and other eye diseases in
multiple clinical applications, highlighted by Ruamviboonsuk et al45, and in management of certain diseases like cataract as
suggested by Goh et al47. Naturally, as the technology progresses from
clinical validation to translation with increasing technology readiness level,
new challenges in integration of AI solutions in clinical care pathways and health
care systems will emerge. Potential targeted solutions are already being
investigated and reported for many of the challenges outlined. Low-cost,
simpler digital solutions, such as smart phone-based systems in
resource-limited settings,58 may add to the ease of AI
implementation. All factors considered, AI seems to be primed and ready for
translation and implementation to revolutionize eye care beyond 2020.
REFERENCES
1. Bourne RRA, Flaxman SR,
Braithwaite T, et al. Magnitude, temporal trends, and projections of the global
prevalence of blindness and distance and near vision impairment: a systematic
review and meta-analysis. Lancet Glob Health 2017;
5:e888–e897.
2. Resnikoff S, Lansingh VC,
Washburn L, et al. Estimated number of ophthalmologists worldwide
(International Council of Ophthalmology update): will we meet the needs? Br
J Ophthalmol 2019.
3. Foot B, MacEwen C.
Surveillance of sight loss due to delay in ophthalmic treatment or review:
frequency, cause and outcome. Eye (Lond) 2017; 31:771–775.
4. Ting DS, Gunasekeran DV,
Wickham L, Wong TY. Next generation telemedicine platforms to screen and
triage. Br J Ophthalmol 2020; 104:299–300.
5. Javitt JC, Aiello LP. Cost-effectiveness
of detecting and treating diabetic retinopathy. Ann Intern Med 1996;
124:164–169.
6. Cheung N, Mitchell P, Wong
TY. Diabetic retinopathy. Lancet 2010; 376:124–136.
7. Mohamed Q, Gillies MC, Wong
TY. Management of diabetic retinopathy: a systematic review. JAMA 2007;
298:902–916.
8. Wild S, Roglic G, Green A, Sicree
R, King H. Global prevalence of diabetes: estimates for the year 2000 and
projections for 2030. Diabetes Care 2004; 27:1047–1053.
9. Yau JW, Rogers SL, Kawasaki
R, et al. Global prevalence and major risk factors of diabetic
retinopathy. Diabetes Care 2012; 35:556–564.
10. Flaxman SR, Bourne RRA,
Resnikoff S, et al. Global causes of blindness and distance vision impairment
1990-2020: a systematic review and meta-analysis. Lancet Glob Health 2017;
5:e1221–e1234.
11. Ting DS, Cheung GC, Wong TY.
Diabetic retinopathy: global prevalence, major risk factors, screening practices
and public health challenges: a review. Clin Exp Ophthalmol 2016;
44:260–277.
12. Chua J, Baskaran M, Ong PG,
et al. Prevalence, risk factors, and visual features of undiagnosed glaucoma:
The Singapore Epidemiology of Eye Diseases Study. JAMA Ophthalmol 2015;
133:938–946.
13. Huang OS, Tay WT, Ong PG, et
al. Prevalence and determinants of undiagnosed diabetic retinopathy and
vision-threatening retinopathy in a multiethnic Asian cohort: the Singapore
Epidemiology of Eye Diseases (SEED) study. Br J Ophthalmol 2015;
99:1614–1621.
14. Gunasekeran DV. Technology
and chronic disease management. Lancet Diabetes Endocrinol 2018;
6:91.
15. Nguyen HV, Tan GS, Tapp RJ,
et al. Cost-effectiveness of a National Telemedicine Diabetic Retinopathy
Screening Program in Singapore. Ophthalmology 2016;
123:2571–2580.
16. Scanlon PH. The English
National Screening Programme for diabetic retinopathy 2003-2016. Acta
Diabetol 2017; 54:515–525.
17. Kern C, Fu DJ, Kortuem K, et
al. Implementation of a cloud-based referral platform in ophthalmology: making
telemedicine services a reality in eye care. Br J Ophthalmol 2020;
104:312–317.
18. Borooah S, Grant B, Blaikie
A, et al. Using electronic referral with digital imaging between primary and
secondary ophthalmic services: a long term prospective analysis of regional
service redesign. Eye (Lond) 2013; 27:392–397.
19. Annoh R, Patel S, Beck D,
Ellis H, Dhillon B, Sanders R. Digital ophthalmology in Scotland: benefits to
patient care and education. Clin Ophthalmol 2019; 13:277–286.
20. Mastropasqua L, Perilli R,
D’Aloisio R, et al. Why miss the chance?. Incidental findings while
telescreening for diabetic retinopathy. Ophthalmic Epidemiol 2020;
1–9.
21. Bartnik SE, Copeland SP,
Aicken AJ, Turner AW. Optometry-facilitated teleophthalmology: an audit of the
first year in Western Australia. Clin Exp Optom 2018;
101:700–703.
22. John S, Premila M, Javed M,
Vikas G, Wagholikar A. A Pilot study to improve access to eye care services for
patients in rural India by implementing community ophthalmology through
innovative telehealth technology. Stud Health Technol Inform 2015;
214:139–145.
23. John S, Sengupta S, Reddy
SJ, Prabhu P, Kirubanandan K, Badrinath SS. The Sankara Nethralaya mobile
teleophthalmology model for comprehensive eye care delivery in rural India. Telemed
J E Health 2012; 18:382–387.
24. Ting DSW, Pasquale LR, Peng
L, et al. Artificial intelligence and deep learning in ophthalmology. Br
J Ophthalmol 2019; 103:167–175.
25. Hitchings RA, Spaeth GL. The
optic disc in glaucoma. I: classification. Br J Ophthalmol 1976;
60:778–785.
26. AAO. American Academy of
Ophthalmology (AAO). International Clinical Diabetic Retinopathy Disease
Severity Scale Detailed Table. Available at: http://www.icoph.org/dynamic/attachments/resources/diabetic-retinopathy-detail.pdf.
Accessed September 10, 2019.
27. Quinn N, Csincsik L, Flynn E,
et al. The clinical relevance of visualising the peripheral retina. Prog
Retin Eye Res 2019; 68:83–109.
28. Abràmoff MD, Folk JC, Han
DP, et al. Automated analysis of retinal images for detection of referable
diabetic retinopathy. JAMA Ophthalmol 2013; 131:351–357.
29. Bellemo V, Lim G, Rim TH, et
al. Artificial intelligence screening for diabetic retinopathy: the real-world
emerging application. Curr Diab Rep 2019; 19:72.
30. Maetschke S, Antony B,
Ishikawa H, Wollstein G, Schuman J, Garnavi R. A feature agnostic approach for
glaucoma detection in OCT volumes. PLoS One 2019; 14:e0219126.
31. Adhi M, Duker JS. Optical
coherence tomography—current and future applications. Curr Opin
Ophthalmol 2013; 24:213–221.
32. Davis MD, Gangnon RE, Lee
LY, et al. The Age-Related Eye Disease Study severity scale for age-related
macular degeneration: AREDS Report No. 17. Arch Ophthalmol 2005;
123:1484–1498.
33. Grassmann F, Mengelkamp J,
Brandl C, et al. A deep learning algorithm for prediction of age-related eye
disease study severity scale for age-related macular degeneration from color
fundus photography. Ophthalmology 2018; 125:1410–1420.
34. Mariotti SP. Global Data on
Vision Impairments 2010. World Health Organization 2012; 1–14.
35. Abràmoff MD, Lou Y, Erginay
A, et al. Improved automated detection of diabetic retinopathy on a publicly
available dataset through integration of deep learning. Invest
Ophthalmol Vis Sci 2016; 57:5200–5206.
36. Ting DSW, Cheung CY, Lim G,
et al. Development and validation of a deep learning system for diabetic
retinopathy and related eye diseases using retinal images from multiethnic
populations with diabetes. JAMA 2017; 318:2211–2223.
37. Gulshan V, Peng L, Coram M,
et al. Development and validation of a deep learning algorithm for detection of
diabetic retinopathy in retinal fundus photographs. JAMA 2016;
316:2402–2410.
38. Mackenzie S, Schmermer C,
Charnley A, et al. SDOCT imaging to identify macular pathology in patients
diagnosed with diabetic maculopathy by a digital photographic retinal screening
programme. PLoS One 2011; 6:e14811.
39. Burlina PM, Joshi N, Pekala
M, Pacheco KD, Freund DE, Bressler NM. Automated grading of age-related macular
degeneration from color fundus images using deep convolutional neural
networks. JAMA Ophthalmol 2017; 135:1170–1176.
40. Govindaiah A, Smith RT,
Bhuiyan A. A new and improved method for automated screening of age-related
macular degeneration using ensemble deep neural networks. Conf Proc
IEEE Eng Med Biol Soc 2018; 2018:702–705.
41. Russakoff DB, Lamin A,
Oakley JD, Dubis AM, Sivaprasad S. Deep learning for prediction of AMD
progression: a pilot study. Invest Ophthalmol Vis Sci 2019;
60:712–722.
42. Jammal AA, Thompson AC,
Mariottoni EB, et al. Human versus machine: comparing a deep learning algorithm
to human gradings for detecting glaucoma on fundus photographs. Am J Ophthalmol 2020;
211:123–131.
43. Al-Aswad LA, Kapoor R, Chu
CK, et al. Evaluation of a deep learning system for identifying glaucomatous
optic neuropathy based on color fundus photographs. J Glaucoma 2019;
28:1029–1034.
44. Phene S, Dunn RC, Hammel N,
et al. Deep learning and glaucoma specialists: the relative importance of optic
disc features to predict glaucoma referral in fundus photographs. Ophthalmology 2019;
126:1627–1639.
45. Ruamviboonsuk P, Cheung C.Y,
Zhang X, et al. Artificial intelligence in ophthalmology: Evolutions in
Asia. Asia Pac J Ophthalmol (Phila) 2020; 9:78–84.
46. Son J, Shin JY, Kim HD, Jung
KH, Park KH, Park SJ. Development and validation of deep learning models for
screening multiple abnormal findings in retinal fundus images. Ophthalmology 2020;
127:85–94.
47. Goh JHL, Lim ZW, Fang X, et
al. Artificial intelligence for cataract detection and management. Asia
Pac J Ophthalmol (Phila) 2020; 9:88–95.
48. Resnikoff S, Felch W,
Gauthier TM, Spivey B. The number of ophthalmologists in practice and training
worldwide: a growing gap despite more than 200,000 practitioners. Br J
Ophthalmol 2012; 96:783–787.
49. Xie Y, Nguyen Q, Bellemo V,
et al. Cost-effectiveness analysis of an artificial intelligence-assisted deep
learning system implemented in the national tele-medicine diabetic retinopathy
screening in Singapore. Invest Ophthalmol Vis Sci 2019;
60:5471.
50. Yoo TK, Choi JY, Seo JG,
Ramasubramanian B, Selvaperumal S, Kim DW. The possibility of the combination
of OCT and fundus images for improving the diagnostic accuracy of deep learning
for age-related macular degeneration: a preliminary experiment. Med
Biol Eng Comput 2019; 57:677–687.
51. Medeiros FA, Jammal AA,
Thompson AC. From machine to machine: an OCT-trained deep learning algorithm
for objective quantification of glaucomatous damage in fundus
photographs. Ophthalmology 2019; 126:513–521.
52. Poplin R, Varadarajan AV,
Blumer K, et al. Prediction of cardiovascular risk factors from retinal fundus
photographs via deep learning. Nat Biomed Eng 2018; 2:158–164.
53. Xu BY, Chiang M, Chaudhary
S, Kulkarni S, Pardeshi AA, Varma R. Deep learning classifiers for automated
detection of gonioscopic angle closure based on anterior segment OCT
images. Am J Ophthalmol 2019; 208:273–280.
54. Kermany DS, Goldbaum M, Cai
W, et al. Identifying medical diagnoses and treatable diseases by image-based
deep learning. Cell 2018; 172:1122–1131.e1129.
55. Baltagi BH, Lagravinese R,
Moscone F, Tosetti E. Health care expenditure and income: a global
perspective. Health Econ 2017; 26:863–874.
56. Yip W, Mahal A. The health
care systems of China and India: performance and future challenges. Health
Aff (Millwood) 2008; 27:921–932.
57. Rajalakshmi R, Subashini R,
Anjana RM, Mohan V. Automated diabetic retinopathy detection in
smartphone-based fundus photography using artificial intelligence. Eye
(Lond) 2018; 32:1138–1144.
58. González-Gonzalo C,
Sánchez-Gutiérrez V, Hernández-Martínez P, et al. Evaluation of a deep learning
system for the joint automated detection of diabetic retinopathy and
age-related macular degeneration. Acta Ophthalmol 2019; Epub
ahead of print.