王宁利教授团队：首个来自中国真实世界的多中心研究
青光眼是全球第二大致盲性眼病，同时也是首位不可逆的致盲性眼病。据统计，全世界约有超过8100万青光眼患者，其中1120万人最终可能发展为双眼盲，而我国有2200万青光眼患者，40岁以上人群的青光眼患病率为2.6%，致盲率为30%。青光眼还会造成严重的社会经济负担，在我国若对所有患者进行治疗，估计直接花费可达150-180亿美元，由青光眼致残所造成的间接经济损失更难以估量。因此，青光眼是一种高患病率、高致残率，并导致社会巨大经济负担的疾病，是严重危害人类视觉健康的公共卫生问题。
那么什么是青光眼呢？
目前，青光眼被认为一类发病机制复杂、类型繁多的疾病，其共同终点是进行性和特征性的视神经萎缩和不可逆的视野缺损，且病理性眼压升高被认为是唯一明确的危险因素。青光眼大致可以分为四类：原发性青光眼（包括闭角型与开角型）、继发性青光眼、先天性青光眼和混合型青光眼。它的发病可以分为急性和慢性，急性发作的青光眼常常表现为急性的眼部胀痛、视物模糊，甚至头痛、恶心呕吐等症状，有时会误使得患者到神经内科或其他内科就诊，耽误病情；而慢性青光眼早期80%-90% 症状不明显，绝大部分患者处于疾病早期甚至中期却不知情，到发现视功能障碍甚至丧失视力而就医时，已到晚期青光眼，且以目前的医学技术并不能恢复已经发生的视神经损害，只能维持现有的视功能，青光眼也因而被称为是“偷走光明的小偷”。为了宣传青光眼的知识、提高公众对青光眼的认识从而减轻疾病负担，世界卫生组织将每年3月定位“世界青光眼周”，这也是全球为单一疾病设立周期最长的科普宣教活动。
针对青光眼损伤不可逆，但可通过早干预减缓视力损害这一特点，青光眼医生呼吁对全民进行切实有效可行的筛查措施。 如果能够做到对青光眼患者的早发现、早诊断、早治疗（包括药物、激光、手术等治疗方法），就可以大大降低青光眼的致盲率。对于40岁以上的中老年人、有青光眼家族史、高度近视或远视眼、心血管疾病和糖尿病患者、长期服用激素史这几类具有青光眼高危因素的人群，更需要定期进行眼科检查。
那么，如此高发病率且危害巨大的青光眼如何能够被早期发现呢？在临床工作中，眼科医生常常结合裂隙灯检查、眼压、视野、眼底照相、房角镜检查、OCT等多种检查做出青光眼的诊断，但在对人群进行青光眼筛查时，眼底照相是判断是否存在视神经损害最为快捷、简便且可以客观评估视盘表面结构和视网膜神经纤维层的检查方法。（敏感性特异性最高）正所谓，“视神经一张照，青光眼早知道”。
如图1所示，左侧为正常眼的眼底图像，右侧为青光眼患者的眼底图像。眼底图像上最值得关注的两个部位即是黄斑和视神经盘，黄斑是人眼视力最敏锐的部位，而视盘是眼底视神经细胞汇聚并穿出眼球的部位，在视野上表现为生理盲点。视盘的边缘隆起，中央凹陷，凹陷部分称为视杯，我们可以看到青光眼患者的视杯明显扩大。常用的简便评估方法是测量视杯和视盘直径的比值（杯盘比），青光眼学组把垂直杯盘比值0.6作为青光眼筛查的指标。
图1 正常眼与青光眼的眼底图像
第二个重要评估指标是盘沿组织，如图2所示，盘沿指凹陷边缘至视盘边缘之间的环状部分，左图所示的正常盘沿下方最宽，上方次之，再次为鼻侧，颞侧为最窄，而右图所示的青光眼眼底图像上下方盘沿明显变窄，这也是青光眼的典型改变。
图2正常眼与青光眼的盘沿结构
通过以上这些特点，我们不难理解为什么说视神经一张照，青光眼便可以早知道。
为了提高筛查青光眼的效率，首都医科大学附属北京同仁医院眼科中心、北京市眼科研究所通过成立远程眼科会诊中心与基层医院建立了协同医疗模式，且通过比较发现，远程阅片平台对青光眼诊断的检出率与基础眼病筛查模式相比没有统计学差异，并大大减少了就诊的时间成本和经济成本，可见远程眼科诊疗技术为青光眼筛查和诊断提供了一种有效而便捷的手段。然而这个过程需要对眼底图像进行专业判读，耗费大量的专业人力资源，普通医生对青光眼的眼底图像诊断时间大概为每1000张耗时12-15小时，我国仅4万余名眼科医生，无法完成庞大的14亿人口的筛查。近年来，人工智能在图像识别领域的快速发展，为眼科乃至整个医疗领域都带来了重大突破，应用人工智能可以实现在短时间内对大量医学图像高效、准确的筛查和诊断。
北京市眼科研究所王宁利教授团队研发了一项可以自动检测眼底图像的青光眼性视神经改变的深度学习算法，并作为封面文章发表在JAMA眼科学子刊，并作为“首个来自中国真实世界的多中心研究”获得了眼视光学最大的在线杂志的专题报道。经过验证，该算法对青光眼性眼底改变进行识别的准确性和特异性分别高达96.2%和97.7%，同时实现了人工智能识别过程的可视化。如图3所示，左图为青光眼患者的眼底图像，右图为深度学习算法在识别过程中关注区域的可视化热图，颜色越接近红色，表示该区域对于识别结果越有价值，这也与临床医生的判读依据相符。
图3 人工智能判读青光眼眼底图像的可视化图