2024年8月7日，来自中国上海交通大学附属第一人民医院副院长许讯教授、上海市眼病防治中心临床研究中心主任何鲜桂教授、上海交通大学电子信息与电气工程学院计算机科学与工程系/教育部人工智能重点实验室盛斌教授、香港中文大学医学院眼科及视觉科学系彭智培教授等为通讯作者领衔的研究团队在中科院大类医学1区Top期刊「npj Digital Medicine」（IF=15.2)发表研究成果「A deep learning system for myopia onset prediction and intervention effectiveness evaluation in children」即「一种用于儿童近视发病预测和干预效果评估的深度学习系统」。本研究共同第一作者为：Ziyi Qi,Tingyao Li, Jun Chen,Jason C. Yam, Yang Wen等研究人员，其中上海眼科医院院长邹海东教授、中山大学中山眼科中心王伟教授、澳大利亚悉尼大学、新加坡国立眼科研究所等眼科领域专家也共同参与了研究。

总的来说，研究团队开发了一种名为 DeepMyopia的深度学习算法，用于儿童和青少年的视网膜眼底图像分析以预测近视。研究团队使用了从一组每年随访 3 年的队列中获取的大量数据集，发现 DeepMyopia 作为决策支持系统能够：(1) 使用非睫状肌麻痹眼科参数预测近视发病；(2) 准确识别近视风险较高的个体，从而指导后续干预；(3) 减轻近视负担。该研究通过对近视儿童进行大规模筛查和干预指导，为建立稳健有效的近视预测和管理方案提供了概念验证。

以下对该研究作简要总结，其中对该文献的研究背景和讨论部分作重点分享：

01 研究背景

近视在全球范围内的患病率不断增加，已成为重大的公共卫生挑战。近视不仅会影响儿童和青少年的视力，还可能对他们的心理健康造成负面影响，同时也给个人、家庭和社会带来了沉重的经济负担。随着近视的发展，眼部并发症、视力障碍甚至不可逆失明的风险也会增加。据世界卫生组织2022年的报告，全球有超过20亿人因未矫正的屈光不正导致视力障碍，而早期检测和预测儿童近视发病及进展的高风险对于采取有效干预措施以预防视力丧失和后续并发症至关重要。

在近视发病预测中，眼科测量指标如基线等效球镜（SE）和眼轴长度（AL）以及生活方式参数（如户外活动时间）被广泛应用。其中，以散瞳后等效球镜为预测指标的模型最为准确，但散瞳验光在大规模筛查中存在局限性，如需要更多时间和人力，在农村地区可能缺乏散瞳滴眼液以及验光师，且该方法对于儿童来说可能不太舒适，还可能有近视力模糊和畏光等不良反应。此外，目前缺乏一个对干预有指导作用的预测模型。

深度学习算法在眼科研究中的视网膜眼底图像分析方面取得了巨大成功，能够以较高的准确性提取诸如屈光不正等信息。近期有研究使用深度学习算法检测高度近视并预测儿童5年高度近视风险，但这些研究存在一定局限性，如预测时间跨度较长可能临床实用性不足，且聚焦于高度近视可能限制其对更广泛人群的适用性。同时，相机硬件的进步使得智能手机等设备能够以成本效益高、便携和方便的方式获取图像，为近视筛查提供了新的可能。在此背景下，本研究开发了名为DeepMyopia的深度学习算法，用于儿童和青少年的视网膜眼底图像分析，以预测近视发病、进行风险分层并指导干预措施。

02 研究方法

该研究位于中国上海，研究流程如下图所示。开发的 DeepMyopia 系统已在从上海获取的原始数据集上进行了严格验证，然后在从中国不同地区（包括上海、北京、呼和浩特、乌鲁木齐、昆明、广州和香港）获取的外部独立数据集上进行了验证。

图1：DeepMyopia的示意图：a本研究使用的数据集。b DeepMyopia的评估和应用。DeepMyopia 能够检测近视、预测 3 年内的近视发病情况以及对近视发病的风险分层。根据风险分层进行了模拟随机对照试验 (eRCT)，扩大了 DeepMyopia 在公共卫生中的适用性。c DeepMyopia的应用场景。DeepMyopia 可以在儿童群体中识别出近视儿童，并预测非近视儿童未来近视发病的风险，从而提供指导性干预。d提出的 DeepMyopia 的架构。

定义：根据散瞳验光结果计算等效球镜（SE），定义近视为SE≤−0.50D，高度近视为SE≤−6.00D，近视发病为随访时出现近视而基线时无近视。

数据集：利用上海市儿童青少年大规模眼病研究（SCALE）的最新普查数据进行预训练。用来自两个大型前瞻性研究（上海户外时间减少近视试验[STORM]和高度近视登记研究[SCALE-HM]）的基线数据进行近视检测的训练和验证，并分为训练集、调优集和内部测试集。在七个独立数据集上进行外部验证，包括来自香港儿童眼研究（HKCES）等的数据。用STORM研究中的对照组参与者进行模拟随机对照试验（eRCT）以评估DeepMyopia在近视发病风险分层中的有效性。

图像质量控制：对眼底图像进行脱敏处理后，根据模糊、不均匀照明、低对比度和伪影四个质量指标进行评估，分为“良好”“可用”“拒绝”三个等级，并由两位眼科医生进行手动审核。

模型开发：其中对于近视发病预测，四个模型（眼底模型、Cyc-metadata模型、NonCyc-metadata模型和DeepMyopia）输出风险分数，采用堆叠泛化生成风险分数。

图2：四种模型预测不同时间点近视发病的表现。受试者工作特征 (ROC) 曲线与曲线下面积 (AUC) 一起描述了 1 至 3 年内近视发病的预测性能。内部测试集中的第 1 年 ( a )、第 2 年 ( b )、第 3 年 ( c ) 和外部测试集中的第 1 年 ( d )、第 2 年 ( e )、第 3 年 ( f )。眼底模型利用眼底图像作为输入，而 Cyc 元数据模型结合了睫状肌麻痹检查中的年龄、性别和 SE。非 Cyc 元数据模型包括非睫状肌麻痹检查中的年龄、性别和 AL。组合模型整合了眼底图像、年龄、性别和 AL。

图 3：根据风险分层预测近视发病的 Kaplan-Meier 图。红蓝曲线分别代表高风险组和低风险组的生存概率，阴影区域代表 95% 置信区间 (CI)。图中显示了每个时间点处于风险中的个体数量。深度近视在内部纵向测试集 ( a ) 和外部纵向测试集 ( b ) 中随时间推移未变成近视的生存概率。使用对数秩检验来检验统计显著性。

图4：模拟深度近视辅助干预的随机对照试验。a对照组（橙色）和干预组（蓝色）的部分风险评分分布，横轴为 DeepMyopia，纵轴为 NonCyc 元数据模型。b DeepMyopia（橙色）和 NonCyc 元数据模型（蓝色）的估计倾向评分分布，虚线上方为 DeepMyopia，虚线下方为 NonCyc 元数据模型。c 前八个均衡协变量的标准化平均差异 (SMD)。虚线表示平衡阈值。d DeepMyopia（紫色）和 NonCyc 元数据模型（粉色）之间不同户外时间的亚组中近视发病率和调整后的近视发病率相对减少量。误差线代表 95% 置信区间 (CI)。

04 讨论

实用性强：DeepMyopia结合了视网膜眼底图像、AL、年龄和性别等信息。其中，用于测量AL的IOLMaster无需散瞳，在实际应用中更具可行性，尤其在无法轻易实现散瞳条件的场景下。相比散瞳验光，它避免了耗时、儿童不接受以及可能的不良反应等问题。

预测准确性高：DeepMyopia作为深度学习算法，在非散瞳眼部参数下能实现高预测准确性。它提供了可靠的1年近视发病预测，AUC高达0.908，且在3年后仍保持较高的准确性。视网膜眼底图像的加入显著提高了预测准确性，优于仅基于非散瞳检查元数据的模型，与基于最佳预测因素构建的Cyc-metadata模型性能相当，适用于大规模儿童筛查，在常规体检中提供了快速、简便、无创且可靠的近视评估方法。

准确识别风险儿童：准确识别有近视风险的儿童对于有效管理近视至关重要。DeepMyopia通过结合视网膜眼底图像和人口统计学及眼科数据，在风险分层方面表现出色，能有效区分低风险和高风险组，为推荐适当的近视预防策略提供依据。例如，鼓励户外活动已被公认为预防儿童近视发病的有效方法，但在实际实施中可能面临挑战，而像DeepMyopia这样的人工智能模型可以在理论益处和实际实施之间架起桥梁，在真实世界的儿童近视防控中发挥重要作用，如通过模拟随机对照试验显示其在减少近视发病方面有显著效果（调整相对减少率为-17.8%）。

干预指导灵活：DeepMyopia的干预指导可调整，可根据个体风险状况和临床医生的评估包括阿托品等干预措施。这种灵活性允许优化资源分配，确保个体接受针对其特定风险状况定制的干预措施。

有助于降低疾病负担：DeepMyopia有助于找到早期近视干预的合适候选人，结合非散瞳验光数据在公共卫生筛查中有潜力。虽然它不能直接提高干预效果，但可以提高干预的成本效益。通过模拟儿童近视的终身经历，发现DeepMyopia辅助的干预能增加质量调整生命年（QALYs）并减少失明年数。

图6：近视发病预测的可解释性。用于预测近视（ a）和高度近视（b ）发病的代表性眼底图像及其相应的显著图。图像来自一名在随访期间患有近视（a）和高度近视（ b）的参与者。从左到右分别是基线眼底图像、叠加在眼底图像上的显著图以及患上近视和高度近视的随访图像。显著图中使用的颜色渐变表示眼底图像中相应区域对于预测的重要程度。具体而言，颜色较暖的区域表示重要性较高，而颜色较冷的区域表示重要性较低。放大的视图显示病变区域，与显著图很好地对齐。基于 SHAP 的模型可解释性如图（c）所示，其中每个点代表蜂群图中的一名参与者。不同的颜色表示特征的值，其中红色和蓝色分别代表高值和低值。d特征贡献的饼图，它是通过对基于各个集合的 SHAP 值求和计算得出的。

生物标志物不全面：目前主要用外部队列的视网膜图像进行评估，未包括生理和遗传信息等其他重要生物标志物，可能影响模型的全面性和准确性。预测时间有限：预测的近视发病时间设定为3年内，需评估长期有效性以更好地为长期近视管理提供指导。人群适应性待验证：初始测试在中国队列上进行，需研究在全球不同人群中的适应性和性能，以确保其在不同地区和人群中的广泛应用。图像质量和眼外测量AL挑战：从高质量专业图像到智能手机拍摄图像的转变存在挑战，图像质量、分辨率和照明条件可能影响DeepMyopia的预测准确性。此外，眼外测量AL可能受限，虽然新的光学生物测量设备在高近视患病率地区有出现的趋势，但仍需进一步提高其可及性。直接干预效果有限：尽管DeepMyopia在近视筛查中有优势，但预防近视及其后果主要来自干预措施本身的益处，而不是DeepMyopia直接带来的。未来研究应专注于使模型适应不同设备并确保在实际条件下的可靠性能。