人工智能技术在眼整形外科的应用进展

郝胜利，高楠，赵素焱

人工智能（AI）最早于1956年由麦卡锡等提出，它是计算机理论的发展，执行通常需要人类智能才能完成的任务，包括语音识别、学习、视觉感知、数学计算、推理、决策和语言翻译［1］。AI在临床应用的几个主要方面包括机器学习（ML）、深度学习、自然语言处理和面部识别，其中ML是指AI系统在原始数据中提取信息并学习的能力，是AI研究的重要分支［2-3］。目前这项技术已被应用于皮肤病学、病理学、眼科学、影像学等临床学科［4-6］。其中，在眼科领域，AI通过对眼底照相、光学相干断层扫描和视野等图像较强的分析能力，目前已应用于糖尿病性视网膜病变、早产儿视网膜病变、青光眼视盘形态改变、黄斑水肿和年龄相关性黄斑变性等疾病的检测［7-9］。眼整形外科是眼科学与整形外科的交叉学科，图像的采集、分析、处理对于病情的评估、治疗方案的设计、手术方式的优化选择以及术后病理快速、准确的检测都极为重要。目前AI技术在眼整形外科的应用处于初步探索阶段。AI技术能够快速、准确地识别大量的影像学资料来辅助诊断，其在眼整形外科疾病的诊断、疗效评估等方面具有较大潜力。现就AI在眼整形外科中的应用进展进行综述。

1 ML

ML是AI研究的一个分支，它是各种算法的总称，通过深度学习（DL）等多种算法，机器可以根据指定任务，逐步建立精确的数据模型。简言之，给予一组数据和相关知识，算法系统可从这些数据中学习，并将其应用到新的预测中［10］。ML分为监督学习和非监督学习，监督学习指将包含已知变量和目标的原始数据作为训练数据提交给算法，算法通过数据训练进行学习，建立预测模型，输入新数据即可进行下一次预测。非监督学习指将包含未知变量和目标的原始数据提交给算法，该算法根据检测到的规律为数据建立描述性模型，从未知数据中得出推论［11］。随着对ML的深入研究，AI在图像分类、结果判读、预测及面部识别等方面的部分性能和精确度甚至已超越人类，目前在影像学［12］、心脏病学［13］、病理学［14］等医学领域受到越来越多的重视并得到迅速发展。

2 AI在眼整形外科中的应用

2.1 面部识别技术的评估 随着经济社会的快速发展，人们对美的需求日益增加，面部微创非手术治疗（如肉毒素注射、皮肤软组织填充术、化学换肤、激光脱毛等）以及手术治疗（如重睑、眼袋、眼睑下垂等眼部整形手术和鼻整形等面部整形手术）日渐增多。伴随面部识别技术在个人生物特征认证和公共安全系统中的迅速普及，越来越多的人可能会咨询整形外科医师眼部或面部其他部位的手术是否会影响其被面部识别技术识别的能力。面部识别使用模式识别模型结合图像分析和深度神经网络进行独特的生物特征测量，以解释面部特征［15］。Chen等［16］采用面部识别神经网络对接受变性手术（男性变女性）患者的面部女性化手术的有效性进行了研究，收集了20例完成面部女性化手术患者术前和术后的标准化正侧位图，并以120例未手术的正常性别者的图像作为正常对照图像，结果显示面部女性化手术后图像的识别正确率为98%，提示AI技术能够有效识别整形手术后的面部图像。

2.2 医学影像的辅助诊断 部分眼部疾病的诊断高度依赖于CT、磁共振、超声等影像学证据，然而其诊断受限于临床医师的知识水平和临床经验，基于ML的AI技术可以更高效地进行图像的识别与分类，协助临床医师进行影像学结果的判读。甲状腺相关性眼病（TAO）是一种与内分泌有关的免疫性疾病，可能导致失明和眼眶畸形，早期诊断和治疗有利于控制疾病进展，但目前尚无有效的筛查方法。Song等［17］通过引入AI模型，对比了193例TAO患者和715例健康人群CT数据中再次采样和提取感兴趣区域，建立了一种基于眼眶CT的TAO筛选AI模型，并在临床环境下对49例TAO患者和178例健康者进行外部验证，受试者工作特征曲线下面积为0.919，其敏感度、特异度和准确度分别为0.88、0.85和0.87；研究者利用150例TAO患者和150例健康者的数据分别进行临床条件下的应用试验，包括非劣势试验和诊断试验，非劣势试验显示AI组正确率为85.67%；该模型同时通过了非劣势试验（P=0.001）和诊断性测试（AI组敏感度为0.87，特异度为0.84），提示此AI模型可能作为一种新的TAO筛选工具。狭颅症是先天性发育畸形，是生长发育过程中颅缝过早闭合所致，由于眼眶变浅，可引起突眼和分离性斜视等；颅内压升高后，晚期可能导致视神经萎缩、视野缺损甚至失明。狭颅症的诊断方法是CT影像结合体格检查，但是目前尚无确定疾病严重程度的标准化方法。Bhalodia等［18］研究收集了17例5~15月龄的狭颅症患者及65例正常对照者的CT影像，由专家进行分级，同时使用ShapeWorks软件进行头骨形状分析，研究者运用ML的方法，将专家的分级与形状分析模型相结合，通过CT影像来预测疾病的严重程度；结果显示此方法能准确预测颅骨畸形程度与疾病严重程度的关联性，有助于临床医师评估病情。随着CT、磁共振成像等影像学检查方法被用于疾病诊断，AI辅助的图像评估可更大程度地提高结果判读的精确度。

2.3 病理结果的判读及辅助诊断 眼部及眼周皮肤肿瘤严重影响患者的健康及美观，良性肿瘤可以通过电灼、冷冻等非手术方法治疗，而恶性肿瘤则倾向于采用手术切除并进行病理学诊断。皮肤癌是较常见的恶性肿瘤，首先可以通过其外观以及临床表现进行初步临床筛查，然后进行皮肤镜分析、活检和组织病理学检查。由于皮肤病变外观的变化细微，使用图像对皮肤病变进行自动分类并不容易。Esteva等［19］研究设计了基于卷积神经网络的皮肤肿瘤检测方法，使用大量临床图像训练卷积神经网络来定位和诊断病变区域，结果表明AI通过外观图像诊断皮肤肿瘤的准确性与皮肤科医师相当。Seeja等［20］使用基于卷积神经网络的U-net算法对于皮肤病变进行自动分割，用以鉴别诊断黑色素瘤与良性皮肤病变，结果显示，在深度学习环境中，其有助于提高皮肤病变的分类性能，能够帮助医师在皮肤镜图像上早期诊断黑色素瘤。眼部皮肤肿瘤早期体积较小时，肉眼有时难以敏锐地观察到其临床改变，容易造成漏诊、误诊，利用AI技术通过外观图像可以进行早期诊断。

手术切除是眼部皮肤肿瘤的重要治疗方法，诊断的金标准是标本的病理检查结果，传统的病理检查方法受医师的经验、精力等因素的影响较大，而且从标本送检到最后结果的确认耗费时间长。AI不受个人因素的影响，能够减小个体差异［21-23］，在病理诊断中的准确率并不低于传统的人工镜检［2］。AI还可以从病理图像中分析并提取数据，可用以发现更多的癌症相关生物学标志物，是未来病理学发展的新方向［24-25］。

2.4 手术方案的设计 手术方案的设计是眼整形外科手术中的关键环节，与术后效果直接相关，制定最优化的手术方案也是眼整形手术中的难点。传统上如何设计手术方案取决于医师既往的临床经验，好的方案设计需要长时间的临床训练和知识积累。此外，手术中术者还需要根据术中变化对预先设计的方案做出调整，这也延长了手术时间，增加了手术的不确定性。

面部缺陷和不对称可以采用脂肪移植矫正，效果良好。既往评估面部缺陷以及治疗计划多采用CT、三维（3D）摄影测量法、高分辨率超声和3D激光扫描等，每种技术各有其优、缺点。Arias等［26］利用计算机辅助和3D打印技术进行手术模拟设计，实现了对面部缺陷区域的准确标记并量化了软组织缺陷。眼整形外科医师可应用计算机辅助和3D打印技术在眼眶减压手术中或眼窝凹陷脂肪填充手术中进行量化指导，而不是仅凭借直觉与目测，从而达到更好的手术效果。

Sosin等［27］在一项关于全脸、眼睑、耳等组织移植的研究中借助计算机模拟技术为移植物的设计提供指导，并用其进行术后效果的预测与评估，结果表明，使用计算机模拟手术提供指导可缩短手术时间，提高术后效果的可预测性。对于因复杂眼外伤需要进行眼整形修复重建的患者，可以通过计算机模拟技术预先进行眼部皮瓣设计和模拟眼睑重建来预测术后效果，以此帮助眼整形外科医师制定精准的手术方案，缩短手术时间，改善预后。

2.5 手术后的效果评估 眼整形手术的最终目的是希望术后能够达到预期的整形美容效果，而美是一个较为抽象的概念，人们对于美的评判往往受多种因素的影响，用于人面部美观的客观标准仍存在争议。Zhai等［28］提出了一种基于卷积神经网络的面部检测新方法，该技术较以往的基于几何的评估方法具有更好的分类准确度。除此以外，面部数据库的搭建也提高了使用AI技术进行面部美观评估在临床应用中的可操作性。人眼部的美观与面部整体密切相关，可以将该预测方法运用到眼部的美观评估，通过术前与术后美观对比来评价手术效果，应用AI进行美观评估可以为临床医师和患者提供一个更为客观的评价结果。此外，3D摄像及测量等技术的发展为面部年轻化术后效果监测提供了量化工具，眼整形外科医师可利用其对眼整形术后眼部形态的改变进行预测［29］。

3 AI应用的局限性

尽管AI在许多研究中均展现了其高效性与准确性，但是将AI技术用于医学领域尚存一定的局限性。（1）AI存在黑箱特性，即AI系统的不透明性。由于该特性的存在，在应用AI进行图像分析时，操作者难以得到机器做出决策的直观证据，理解AI网络如何决策仍是应用AI的一大挑战［30］。（2）为了提高AI进行预测的准确性，往往需要大量高质量图像数据对机器模型进行训练，但人面部的表情丰富且拍摄角度很难完全一致，表情、视角、遮挡等因素都会影响图像数据的质量，高质量图像难以获得。其次，不同的种族、文化及个人偏好都造成了对美的不同理解，这使得数据库难以统一［27］。（3）用于训练的图像数据中的识别点需要手动标记，这也给临床医师带来了极大的工作量，繁重的临床工作使其无额外精力来处理图像数据，这些都限制了数据库建立的速度。虽然AI在图像处理方面表现了其重要的性能，但它只是凭借视觉标准做出预测，疾病的诊断不仅需要视觉，还需要将临床信息进行整合，如果对AI做出的预测结果过于依赖，可能导致对某些重要信息的遗漏，因此将其直接用于临床的安全性有待商榷［2］。

另外，在伦理学方面，Kohli等［31］将AI相关的伦理问题分为三类：数据、算法和实践。为了维护数据质量、安全以及为用户使用，他们建议知情同意文件应包括数据使用协议，并应涉及记录患者数据的第三方。与此同时，考虑到AI试图优化其所开发的功能，医师们应在优化算法和实践中使其做到对患者最有利。今后，与该领域密切相关的计算机科学将是实现AI工具解决临床、研究和教育问题的关键所在。

4 小结与展望

随着科技的发展，AI的应用既带来了机遇，也提出了挑战。在整形外科中，AI在术前辅助诊断、手术方案的设计和手术后效果的评估中表现出了较大的应用潜力。眼整形外科是一门精细的学科，AI精确的量化指标弥补了仅靠目测与直觉的不足，用其进行手术设计和模拟提高了术后效果的可预测性。尽管AI在应用中展现出了许多优越性，但其只是一种辅助手段，不能代替医师进行临床决策，随着技术的不断发展，AI可以更好地帮助医师进行整形美容方面的评估和决策，在眼整形外科中将会有更广泛的应用。