编者按
障碍一：数据限制
当今人工智能技术所依赖的深度学习算法依赖于大量多样化的数据集，这些数据集包含高质量且通常带有标签的图像。5然而，获取具有这些特征的眼科数据可能很困难。虽然有几种针对糖尿病和 AMD 等疾病的公开眼底照片和 OCT 数据集，但数据域并不完全与典型的美国视网膜诊所生成的数据重叠，这阻碍了现实世界环境中模型的准确性。6-8
在常规患者护理期间收集的数据可能更好地代表模型的最终用途，并且可能有利于模型训练。然而，现实世界的数据可能在数据质量和异质性方面带来挑战。对于繁忙的视网膜诊所来说，快速但足够的成像协议可能缺乏 AI 模型训练或推理所需的质量或完整性。在统一参数下获取的图像（包括高分辨率扫描和小步长）可能会提高模型性能，但由于采集时间增加和临床工作流程中断，在现实世界中可能难以实施。
障碍二：临床整合
即使拥有高质量的数据和有效的算法，融入临床工作流程也是 AI 实施的主要障碍。AI 工具必须无缝融入现有的患者护理流程，而不会影响效率。视网膜诊所已经依赖许多应用程序来获取和显示临床和成像数据。因此，需要单独界面和额外点击的 AI 系统将不可避免地难以获得关注。视网膜专家应尽早并经常参与设备开发，以确保高性能设备自然融入现有的实践生态系统。
由于互操作性障碍，开发人员可能难以实现这一目标。与其他医学领域（例如放射学）不同，眼科缺乏通用的成像标准。此外，电子健康记录所有者很少有现成的途径来集成第三方 AI 模块。采用医学数字成像和通信 (DICOM) 和快速医疗互操作性资源 (FHIR) 可能会提高设备的互操作性，眼科界必须继续通过专业组织倡导强制执行这些标准。
障碍三：实践经济学
将 AI 程序集成到临床工作流程中需要时间和资源；它们可能需要特定的临床工作流程、图像类型和第三方应用程序。如果希望实践承担这些成本，他们必须找到一条投资回报之路。在按服务收费模式中，优惠的报销是支持 AI 设备实施的最直接机制。2021 年，CPT 代码 92229 被引入，用于报销在识别糖尿病视网膜病变时对视网膜图像进行自动分析的费用，通常在初级保健环境中使用上述设备。9已批准用于支持 AI 的家庭 OCT 监测的计费代码。10但是，视网膜专家没有经常使用的计费代码。此外，虽然计费代码是必要的，但它们可能还不够；保险公司还必须愿意承担这些费用。
障碍四：监管
FDA 对医疗保健领域人工智能技术的监管对于确保算法的安全性和准确性至关重要；完全自动化的算法必须满足比仅辅助医生的算法更高的标准。然而，目前医学领域人工智能的监管框架仍在不断发展。7此外，与药物开发一样，人工智能的监管成本高昂且耗时，尤其是对于一流新生药物的审批。
放射学领域是人工智能领域的领跑者，拥有数百种经 FDA 批准的基于人工智能的算法，是一个很好的研究案例。11许多放射学人工智能项目都是通过 510(k) 途径获得批准的，如果设备与之前批准的设备基本相似，则审查流程会不那么繁琐。11这表明，随着获得初始从头批准，眼科领域的批准将激增。
另一个独特的考虑因素是，人工智能模型可以是动态的；它们可以在处理更多数据时学习和发展。这种适应性引发了监管问题，即如何在人工智能系统的生命周期内确保患者安全和疗效。12
障碍五：数据保护
视网膜诊所的人工智能系统将能够访问敏感的患者信息，包括图像、病史和诊断结果。这带来了与数据泄露和网络攻击相关的风险。确保患者数据得到加密和保护至关重要，尤其是当人工智能系统越来越多地融入临床实践和电子健康记录时。13人工智能开发人员还可能将数据用于数据共享者不知情的应用程序，例如开发有价值的知识产权。在强有力的法律保护似乎不足的地方，可能需要采用联邦学习等方法，这样人工智能模型就可以应用于数据或对数据进行训练，而无需数据离开其本地网络。6
奋进前行
虽然在视网膜中实施人工智能面临巨大挑战，但这些挑战是可以克服的。在许多方面，最困难的问题（计算和技术问题）已经得到解决。眼科，特别是视网膜，一直处于医学技术的最前沿，渴望采用和适应。作为一个领域，我们应该并且将继续通过与技术合作伙伴的合作来克服这里强调的实施障碍，从而继续保持这一领导地位。我们确信，我们的领域将迎合时代潮流，为我们的患者带来人工智能的好处。
