British Journal of Ophthalmology | 眼科学领域的生成式人工智能——主题专辑文章要点速览

文章概览   

社论

1. Embracing generative AI in ophthalmology

拥抱眼科中的生成式AI

Frank Larkin, Mingguang He

https://bjo.bmj.com/content/108/10/1333

综述

2. Generative artificial intelligence in ophthalmology: current innovations, future applications and challenges

眼科领域的生成式人工智能：当前的创新、未来的应用和挑战

Sadi Can Sonmez, Mertcan Sevgi, Fares Antaki et al.

https://bjo.bmj.com/content/108/10/1335

3. Foundation models in ophthalmology 

眼科领域的AI基础模型

Mark A Chia, Fares Antaki, Yukun Zhou et al.

https://bjo.bmj.com/content/108/10/1341

4. Towards regulatory generative AI in ophthalmology healthcare: a security and privacy perspective 

在眼科医疗领域实现受监管的生成式人工智能：安全与隐私视角

Yueye Wang, Chi Liu, Keyao Zhou et al.

https://bjo.bmj.com/content/108/10/1349

5. Medical education with large language models in ophthalmology: custom instructions and enhanced retrieval capabilities 

利用大语言模型开展眼科学教育：定制用法说明和加强检索能力

Mertcan Sevgi, Fares Antaki, Pearse A Keane

https://bjo.bmj.com/content/108/10/1354

系统综述

6. Review of emerging trends and projection of future developments in large language models research in ophthalmology

眼科大语言模型研究中的新兴趋势回顾与未来发展预测

Matthew Wong, Zhi Wei Lim, Krithi Pushpanathan et al.

https://bjo.bmj.com/content/108/10/1362

综合眼科

7. Capabilities of GPT-4 in ophthalmology: an analysis of model entropy and progress towards human-level medical question answering

GPT-4在眼科能发挥的功能：对机器学习模型不确定性的分析和AI解答人类医学问题的进展

Fares Antaki, Daniel Milad, Mark A Chia et al.

第4代生成式预训练变换模型（GPT-4，Open AI）在回答模拟的眼科职业认证考试问题时表现出色，超过了其前身GPT-3.5。

https://bjo.bmj.com/content/108/10/1371

8. Performance of ChatGPT and Bard on the Official Part 1 FRCOphth Practice Questions

ChatGPT和Bard在英国FRCOphth考试第一部分官方练习题中的表现

Thomas Fowler, Simon Pullen, Liam Birkett

人工智能模型ChatGPT在FRCOphth第一部分多选题考试中的表现优于人类考生和谷歌的Bard模型，这既凸显了人工智能在医学教育中的潜力，也说明了确保模型可靠、安全和建立伦理指南的必要性。

https://bjo.bmj.com/content/108/10/1379

9. Unveiling the clinical Incapabilities: a Benchmarking study of GPT-4V(ision) for ophthalmic Multimodal image analysis

揭示临床上的不足：将GPT-4V（ision）用于眼科多模态图像分析的基准研究

Pusheng Xu, Xiaolan Chen, Ziwei Zhao et al.

研究人员对一个基于大型语言模型GPT-4V（ision）的聊天机器人回答裂隙灯、眼底和眼科超声图像相关问题的能力进行了评估。在GPT-4V生成的有关眼科多模态图像的回复中，分别只有30.6%、21.5%和55.6%被认为是准确、高度可用和无害的。这说明GPT-4V尚不适用于眼科临床决策和患者咨询。

https://bjo.bmj.com/content/108/10/1384

10. Development and evaluation of a large language model of Ophthalmology in Chinese

中文眼科大语言模型的开发与评估

Ce Zheng, Hongfei Ye, Jinming Guo et al.

大语言模型（LLM）的局限之一是缺乏非英语语言的LLM训练。针对现有LLM中中文会话能力不足和医疗专业性不强的问题，研究人员开发了中文专用的眼科LLM，能够适应各种临床场景。

https://bjo.bmj.com/content/108/10/1390

11. Assessing the medical reasoning skills of GPT-4 in complex Ophthalmology cases 

评估GPT-4在复杂眼科病例中的医学推理能力

Daniel Milad, Fares Antaki, Jason Milad et al.

在复杂眼科病例中，GPT-4表现出了很高的诊断和决策准确性。该研究表明，将人工智能整合到患者照护的临床决策支持系统中大有可为。

https://bjo.bmj.com/content/108/10/1398

角膜与眼表

12. Deep learning model for extensive Smartphone-based diagnosis and triage of cataracts and multiple corneal diseases 

基于智能手机、用于白内障和多种角膜疾病的诊断和分诊的深度学习模型

Yuta Ueno, Masahiro Oda, Takefumi Yamaguchi et al.

角膜疾病和白内障可以通过智能手机摄像头清晰成像，无需专门的医用配件，因此研究人员利用智能手机拍摄的图像开发了一套AI辅助的诊断和分诊系统。该AI模型的性能超过了通过职业认证的眼科医生。

https://bjo.bmj.com/content/108/10/1406

13. Creating realistic anterior segment optical coherence tomography images using Generative adversarial networks

利用生成式对抗网络创建逼真的前段光学相干断层扫描图像

Jad F Assaf, Anthony Abou Mrad, Dan Z Reinstein et al.

该研究开发并验证了一种生成式对抗网络（GAN）。该网络能够生成逼真的高分辨率前段光学相干断层扫描（AS-OCT）图像，这些图像与现实无异，适合用于机器学习任务。

https://bjo.bmj.com/content/108/10/1414

晶状体与白内障

14. Digital Ray: enhancing Cataractous fundus images using style transfer Generative adversarial networks to improve retinopathy detection

数字射线：利用风格迁移生成式对抗网络增强白内障眼底图像，以提高对视网膜病变检测能力

Lixue Liu, Jiaming Hong, Yuxuan Wu et al.

该研究研发的“数字射线”智能图像生成技术可为白内障患者生成高质量和高准确度的术后眼底图像，从而更准确地评估视网膜病变。

https://bjo.bmj.com/content/108/10/1423

视网膜

15. Using artificial intelligence to improve human performance: efficient retinal disease detection training with synthetic images

利用人工智能改善人类的表现：利用合成图像进行高效视网膜疾病检测训练

Hitoshi Tabuchi, Justin Engelmann, Fumiatsu Maeda et al.

一种利用AI生成合成图像的教学方法显著提高了受训视力矫正师的诊断准确性，使他们在平均不到一小时的时间内就能达到最先进的AI模型的水平。该案例说明生成式AI具有增强而非取代人类技能的潜力。

https://bjo.bmj.com/content/108/10/1430

16. Validation of a deep learning model for automatic detection and quantification of five OCT critical retinal features associated with neovascular age-related macular degeneration

验证用于自动检测和量化与新生血管性老年黄斑变性相关的五个OCT关键视网膜特征的深度学习模型

Federico Ricardi, Jonathan Oakley, Daniel Russakoff et al.

深度学习可应用于结构性OCT图像，以量化与新生血管性黄斑变性相关的图像特征。

https://bjo.bmj.com/content/108/10/1436

17. Comparing Generative and retrieval-based Chatbots in answering patient questions regarding age-related macular degeneration and diabetic retinopathy

比较生成式和基于检索的聊天机器人在回答患者有关年龄相关性黄斑变性和糖尿病性视网膜病变的问题时的性能

Kai Xiong Cheong, Chenxi Zhang, Tien-En Tan et al.

研究人员比较了生成式聊天机器人和基于检索的聊天机器人在回答视网膜疾病患者咨询方面的性能。ChatGPT-4和ChatGPT-3.5表现优异，其次是Google Bard和OcularBERT。生成式聊天机器人能够回答训练之外的特定领域问题。

https://bjo.bmj.com/content/108/10/1443

18. ICGA-GPT: report generation and question answering for Indocyanine green angiography images

ICGA-GPT：吲哚菁绿血管造影图像的报告生成和问题解答

Xiaolan Chen, Weiyi Zhang, Ziwei Zhao et al.

定量和定性评估的证据表明，吲哚菁绿血管造影（ICGA）-GPT模型在报告生成和后续问题解答方面均表现出了令人满意的性能。该研究强调了大型语言模型在辅助眼科图像解读方面的潜力。

https://bjo.bmj.com/content/108/10/1450

19. Exploring AI-Chatbots’ capability to suggest surgical planning in Ophthalmology: ChatGPT versus Google Gemini analysis of retinal detachment cases

探索AI聊天机器人为眼科手术规划提供建议的能力：视网膜脱离病例的ChatGPT与Google Gemini对比分析

Matteo Mario Carlà, Gloria Gambini, Antonio Baldascino et al.

基于视网膜脱离病例的相关信息，ChatGPT和Google Bard概述了条例清晰的手术计划，与玻璃体视网膜专家的手术计划有良好的一致性。ChatGPT出错较少，在主观质量评分方面优于Bard。

https://bjo.bmj.com/content/108/10/1457

儿童眼科

20. Large language models: a new frontier in Paediatric cataract patient education

大语言模型：儿科白内障患者教育的新前沿

Qais Dihan, Muhammad Z Chauhan, Taher K Eleiwa et al.

大型语言模型可以生成高质量、易懂、准确的儿童白内障患者教育材料，并在不影响质量和准确性的前提下提高现有患者教育材料的可读性。

https://bjo.bmj.com/content/108/10/1470