将AI与眼球学结合，显示出在预测糖尿病方面的潜力。研究表明，多样化的数据集有助于开发更准确和可信的模型来评估糖化血红蛋白A1c（HbA1c）水平，从而增强临床环境中的患者护理质量。
使用眼球学评估HbA1c
当前研究的目标是应用眼球学到眼底图像中，以评估HbA1c水平。HbA1c的百分比通常用于诊断和监测糖尿病的进展。尽管其广泛使用，但在某些情况下，如患有镰状细胞贫血症、最近接受过输血或怀孕的患者中，HbA1c测量可能不准确。
在当前研究中，共获得了6,118张眼底图像，其中1,138张被诊断为正常。研究人员最初比较了单模型与集成架构的性能及其在年龄和性别影响下的可靠性和偏差。
基于卷积神经网络（CNN）的VGG19模型在所有指标上表现出最佳性能。与单模型相比，集成模型的性能提高了约2%。为了使模型可靠，其大小与数据集大小之间的关系必须仔细考虑。在当前研究中，VGG19模型优于其他较大的模型，这可能是由于数据集的大小，复杂的大型模型需要更多的数据来准确估计参数。
除了在单一测试集上的性能外，还必须从其他维度评估可靠性，因为AI的安全关键应用可能会显著影响患者的健康和安全。
年龄和性别对模型性能的影响
与仅使用青年或老年人样本训练的模型相比，同时使用青年和老年人样本训练的模型表现出更高的准确性。在开发AI解决方案时，模型在多样化人群中的稳健和可靠性能对于减少偏见至关重要。
当训练集包括男性和女性时，性能最佳。事实上，当模型仅在男性或女性样本上进行训练时，性能下降了5%。此外，还训练了一个模型，可以从眼底图像输出性别。该模型的整体准确率为87%，但这种出色的表现可能归因于训练数据集中的潜在偏见。Grad-CAM是一种著名的可解释AI技术，用于识别眼底图像的关键特征，这些特征为各种分类标签提供了重要见解。这些结果补充了先前研究的结果，并强调了多样化数据集对于提供可靠和稳健性能的重要性。
开发可信AI在眼球学中的挑战
研究结果证实了高质量和多样化数据集的重要性，这些数据集将最终提高模型在不同条件下的稳健和可靠性能。模型输出也应透明，以确保医疗保健提供者可以理解和信任其预测。确保公平性和解决模型预测中的偏见也非常重要。
AI在眼球学的未来
适应多样化的临床环境并遵守监管指南是确保AI在眼球学中可信部署的基础。保持透明度也有助于开发可解释和可理解的AI模型，医疗从业者可以轻松理解其预测的逻辑。AI模型在部署期间可能会因分布外（OOD）输入或未预见的临床情景而出现性能下降。然而，引入连续学习框架可以缓解这一问题。异常检测算法也可以作为保障措施；因此，应定期更新模型以引入新颖和多样化的数据。这些努力有潜力维持AI应用在临床环境中的准确性和相关性。
未来，眼球学的AI系统必须开发以简化临床医生的工作流程，改善患者健康结果，并提高护理质量。为此，各利益相关者在整个开发和实施阶段的持续合作是必要的，以充分发挥AI在变革医疗保健交付方面的潜力。
(全文结束)
