中山大学中山眼科中心人工智能与大数据科与Airdoc人工智能团队合作开发出人工智能的白内障视诊器平台，可以准确诊断白内障，基于此的新的三级转诊模式可以实现较以往10.2倍的医患服务人数比。这一重要成果已经被知名眼科期刊《British Journal of Ophthalmology》刊出。
研究团队建立并验证了一个人工智能医疗影像诊断平台，用于临床场景下多层次的白内障协同诊断。更重要的是研究出基于人工智能的医疗转诊模式，提高了协作效率和医疗资源覆盖率，实现了白内障领域的重大国际性突破。
图1：门诊报告样例
发展中国家的医疗资源水平不高、分布不平衡，现行的医疗体系对常见疾病的管理远远不能令人满意。随着电子病历、数字化医疗设备、可穿戴监护仪的发展与普及，远程医疗服务在促进病人的评估、诊断和管理方面显示出巨大的潜力。然而，远程医疗在眼科的应用目前还处于初级阶段，主要通过”存储和转发”方法来完成的，是给已经超负荷的专家来完成的额外任务。
以此同时，白内障是世界范围内引起视力损害的主要原因，占发展中国家失明病例的50%以上。大多数白内障与年龄有关，有些还与全身疾病、外伤和先天因素相关。随着全球人口老龄化的趋势，白内障的患病率呈逐年增高之势。预计到2050年，我国白内障致盲病例将达到2000万例。然而，医疗资源的分布远远不能满足白内障的诊断和管理。所以，如何在患者和医院之间建立一种更高效的协作模式，是团队的研究目标。
图2：系统流程
研究团队开发的产品可以实现，由患者在远程web服务器中输入一张裂隙灯拍摄的图片及年龄等基本信息，最终实现产品输出：(1)识别图片的拍照方式(四分类：①散瞳、弥散光照片，②散瞳、裂隙光照片，③正常瞳孔、弥散光照片，④正常瞳孔、裂隙光照片)(2)识别是否健康、白内障或是术后(3)识别白内障的轻重程度 (4)识别先天性白内障是否有完全遮盖视轴(5)识别白内障病人术后发障是否累及视轴 — (PCO模式)，全程由系统自动识别和判断，大大减少医生的工作量。
图3：诊断图像示例
此研究成功显示出强大的诊断性能：(1)捕获模式识别(AUC 99.28%-99.71%)，(2)白内障诊断(正常晶状体，白内障或术后眼，AUC分别为99.82%，99.96%和99.93%。对于mydriatic-slit lamp mode，AUC> 99% (相比于其他捕获模式)，以及(3)检测到白内障(在所有测试中，AUC> 91%)。 在三级转诊模式中，建议”转诊”人员的比例为30.3%，与传统模式相比，医患服务人数比提高了 10.2倍。
研究成果已经落地，为更多白内障患者带来福音。从2018年5月起，已经相继在广州多个社区进行了试点应用。预计在2020年，将会实现更多应用场景落地。