Ch.18 Digital Ophthalmology 數位眼科學

一、概論與醫療品質

• Digital ophthalmology（數位眼科）：把 health information technology（醫療資訊科技）應用於眼科，目的在提升照護品質；組成分為 data（資料：electronic health records、標準、big data）與 analysis（分析：telemedicine、AI）兩部分。p.505
• Institute of Medicine（IOM，美國醫學研究院）定義品質的 6 項目標：safe（安全）、effective（有效）、efficient（效率）、equitable（公平）、patient-centered（以病人為中心）、timely（及時）；把品質的意義從臨床有效性擴大到 equity（公平性）與醫師／病人滿意度等概念。p.505
• American Board of Ophthalmology（ABO，美國眼科專科醫師委員會）要求眼科醫師在 maintenance of certification（MOC，專科認證維持）中記錄改善品質的努力（quality improvement 為 MOC 的必要元素）。p.505
• EHR 系統與大型資料庫（如 AAO 的 Intelligent Research in Sight（IRIS）Registry）可促進醫師與病人雙方的 quality improvement（品質改善）措施。p.505
• 醫療資訊科技有潛力減少錯誤、提升效率、增強技能與知識、對病理或治療提供新見解，並替臨床醫師分擔認知與行政工作。p.505
• 眼科特別適合從數位醫療獲益，因為有大量影像、眾多 discrete data（離散資料），且負擔最大的疾病其標準照護有高品質證據支持。p.505
• 眼科普遍使用影像，有利於將 artificial intelligence（AI，人工智慧）應用於臨床照護與研究；把 AI 及／或 teleophthalmology（遠距眼科）納入醫療體系，可擴大弱勢族群（underserved populations）的就醫可近性並減少健康不平等（health disparities）。p.505

二、Electronic health records（EHR，電子病歷）

病歷的目的與 EHR 優點

• 依 IOM，病歷的目的為：回憶觀察結果、告知他人、教導學生、獲取知識、監測表現、證明介入的正當性；次要用途包括作為醫療法律文件（medicolegal document）及提供計費（billing）依據。p.506
• EHR 相較紙本病歷：解決手寫字跡難辨（legibility）問題，也處理厚重紙本病歷的取用與歸檔問題。p.506
• 資訊以結構化（structured）方式擷取時——不是 free text（自由文字），而是具特定意義的 discrete data points——EHR 可用來以對臨床醫師及／或研究者有意義的方式組織、分析、搜尋與呈現資訊。p.506
• EHR 資料可提供 clinical decision support（臨床決策支援），例如藥物交互作用、過敏、重複醫囑與 best practice interventions 的警示；EHR 也支援溝通與通知功能，以利醫囑傳送、結果回報、照護協調，以及醫師與病人間的溝通。p.506
• 眼科執業需要即時取得病人影像：picture archiving and communications systems（PACS，醫學影像儲傳系統）負責儲存與顯示影像並協助影像分析；PACS 與 EHR 整合可幫助預防錯誤並提升臨床效率。p.506

EHR 的現實問題

• EHR 有潛力改善照護、效率、品質與醫師滿意度，但此潛力尚未實現。p.506
• Note bloat（病歷膨脹）：外在因素（如計費與法規要求）與內在行為（如 copy forwarding（複製沿用）與 templated charting（範本式記錄））促成病歷常冗長且非結構化，使相關資訊更難找到。p.506
• 理論上 EHR 可改善記錄與照護品質；實際上 EHR 導入與效率降低、醫師倦怠（burnout）增加及醫療錯誤相關；需持續的品質改善與研究，才能實現 EHR 系統在眼科執業中的潛在效益。p.506

三、Digital ophthalmology standards（資料標準）

• 數位眼科需要規範資料如何組織與傳遞的標準，以最大化透明度、效率與準確性。p.506
• 例：ICD-10（International Classification of Diseases, Tenth Revision）用於疾病分類與診斷；CPT（Current Procedural Terminology）用於精確指定醫療處置；DICOM（Digital Imaging and Communications in Medicine）用於精確指定影像與類影像（imagelike）資料。p.506–507
• EHR 系統與眼科儀器廠商採用標準是實現數位眼科效益的必要條件；臨床醫師與病人可受益於在不同系統間傳送與接收臨床紀錄、全解析度影像與視野檢查的能力；以資料標準整合多系統的臨床與影像資料，將可促進有效率的臨床照護及發展可用於研究的資料集。p.507

出處 Table 18-1 p.507

四、Big data 與 IRIS Registry

• Big data（巨量資料）：由數千名或更多病人資料組成的大型資料集；例子包括 EHR 資料、claims databases（保險申報資料庫）、基因資料庫，以及臨床與影像資料登錄（如 AAO 的 IRIS Registry）。p.507
• IRIS（Intelligent Research in Sight）Registry：2014 年建立，是 big data 最有說服力（most compelling）的例子；內含參與眼科醫師分享的病人就診結構化紀錄。p.507
• IRIS 含超過 7,000 萬（70 million）名病人的資料，是目前所有醫學專科中最大的臨床登錄資料庫。p.507
• 大型資料集可作為以下用途的有力工具：臨床研究、罕見疾病的特徵描述、跨族群比較結果以改善品質；也可用來找出新的關聯，例如近期發現的白內障手術與失智風險降低的關聯。p.507
• 限制：大型資料集的效力有時會被以下因素抵銷——臨床資料的品質與整合、資料記錄缺乏一致性，以及隱私喪失或因某些族群在臨床資料中代表性不足而產生 bias（偏差）的風險。p.507

五、Teleophthalmology（遠距眼科）

定義與類型

• Teleophthalmology：照護與眼科醫師在距離、時間或兩者上分隔之病人的數位眼科形式。p.508
• 分 2 型：synchronous（同步）＝同一時間進行、但距離分隔；asynchronous（非同步）＝空間與時間皆分隔。p.508
• Telemedicine 可藉由增加就醫可近性，幫助改善病人與族群的結果，對象包括可能分布於廣大地理區域、住在醫療服務不足地區，或（如 COVID-19 時期）無法參加標準面對面眼科門診的病人與族群。p.508

Store-and-forward telemedicine（SFT，儲存轉送）

• 大多數 teleophthalmology 採用非同步的「store-and-forward」模式（SFT）。p.508
• SFT 中由 telepresenter（遠距呈報者）——通常是非醫師，如護理師或技術員——向病人收集臨床資訊並傳送，由醫療提供者在另一時間判讀。p.508
• 經典例子：糖尿病遠距視網膜篩檢（diabetic tele–retinal screening）——在某處（如基層醫療）拍攝糖尿病病人眼底照，於他處的 reading center（判讀中心）判讀。p.508
• 其他遠距眼科計畫：retinopathy of prematurity（早產兒視網膜病變）篩檢、comprehensive eye exams（完整眼科檢查）、teleglaucoma、telemacula。p.508
• Teleconsultation（遠距會診）：轉診醫療提供者事先或即時將病人臨床資訊傳給專科醫師，由專科醫師提供建議；此時轉診者本身即擔任 telepresenter。p.508

實施要件與新方向

• 實施需要 systems-based approach（系統性方法）：穩健且安全的 IT 基礎設施、使用 DICOM 等資料標準、儀器間可互連。p.508
• 要達成遠距眼科目標，必須建立有效通知病人結果的系統，並確保被判定需面對面照護的病人能取得可及的介入。p.508
• 新興前沿：remote patient monitoring（遠距病人監測）——眼部自我監測裝置或行動應用程式可用來將資料傳給眼科醫師或 AI 模型，協助病人判斷臨床狀態是否改變，並建議是否需要介入及其急迫性。p.508

六、Artificial intelligence（AI）概論與臨床範例

定義與應用

• AI：使用 machine learning（機器學習）或其他最佳化技術、執行模仿人類認知能力之任務的系統；利用影像與臨床資料執行影像判讀、臨床決策等高度認知任務。p.508–509
• 眼科 AI 已應用於多種疾病的診斷與分期，包括 diabetic retinopathy（糖尿病視網膜病變）、retinopathy of prematurity、age-related macular degeneration（老年性黃斑部病變）、glaucoma（青光眼）、keratoconus（圓錐角膜）與 ocular cancers（眼部癌症）。p.509
• AI 可分析單一病人的大量資料 → 提升眼科醫師運用資訊的effectiveness（效能）；也可大規模分析許多病人的資料 → 提升眼科醫師的productivity（生產力）。p.509
• 眼科特別適合 AI 的原因：客觀影像資料廣泛使用，以及廣為接受的實證臨床標準。p.509
• 將 AI 疾病篩檢整合入臨床流程，可能改善就醫可近性、篩檢指引遵從度、照護品質與結果，同時減少健康不平等與成本，尤其對資源不足及／或地理隔絕地區的病人。p.509

臨床範例：自主式（autonomous）AI 篩檢 DR／DME

• 情境：開發從視網膜影像診斷 diabetic retinopathy 與 diabetic macular edema（糖尿病黃斑部水腫）的 autonomous AI 系統。有大量證據顯示，在出現症狀前每年檢查糖尿病病人的 DR 有助預防視力喪失；但因各種原因（包括 social determinants of health（健康的社會決定因素）），許多糖尿病人未持續接受眼科檢查。p.509
• 目標：讓糖尿病眼睛篩檢有效率且可近，以改善糖尿病人的視力結果；AI 找出有視力喪失風險的病人，至少可減少 reading center 需判讀的影像數量。p.509
• 輸出依既定指引（此例為 AAO Diabetic Retinopathy Preferred Practice Pattern）：病人達到至少某一界定的疾病程度時輸出「disease present」，否則輸出「disease absent」；輸出必須準確，AI 才安全。p.509
• 美國糖尿病人族群多元，必須避免 AI bias（AI 偏差），例如對不同種族、族裔與性別的準確度不同。p.509
• 輸入為數位視網膜影像：每個 pixel 測量一小塊視網膜的性質（如眼底照的 color reflectance（顏色反射））；reflectance 反映生理與病理過程，例如局部 hemoglobin（血紅素）濃度。p.509
• Spatial coherence（空間一致性）：血管、出血與滲出物以不同方式決定多個相鄰 pixel 的顏色，例如代表出血的 pixel 群比視網膜其餘部分更可能呈相似（偏紅）顏色；這類相似性可被測量。p.509
• Temporal coherence（時間一致性）：資料點隨時間的相似性，可用於預測進展；AI 系統可設計成經 machine learning 把這些特徵與診斷相連結。p.509–510

七、Machine learning 與 deep learning

• AI 最高準確度通常由 machine learning 演算法達成；不用 machine learning 而要明確編寫模仿人類認知的演算法，需要數學定義，而這仍難以取得。p.510
• Machine learning 演算法通常有數千個或更多參數，這些參數不是明確寫定，而是在 training phase（訓練階段）中逐步調整。p.510
• Deep learning（深度學習）：進階的 machine learning 演算法，含數百萬個參數並以複雜方式分組；訓練時學習把一組範例中的 coherences 與期望輸出相連結。p.510
• 例如 DR 診斷的 deep learning 演算法：training set（訓練集）為糖尿病病人的視網膜影像，每張附疾病狀態或診斷的標籤，此標籤稱為 reference standard（參考標準）或 ground truth（真實標籤）。p.510
• Machine learning 以 probabilistic training（機率式訓練）區分訓練影像中相關與不相關的空間及時間 coherences，逐步、逐張影像進行：初始不太準確的演算法對影像計算輸出 → 與 ground truth 不同則判定錯誤並調整部分參數；輸出正確則參數通常不變 → 多次迭代後準確度提升，直到達到期望準確度（Fig 18-1）。p.510
• 訓練完成後，可用另一組病人的影像——test set（測試集）——評估演算法表現。p.510
• 關鍵結果：所得演算法從訓練集系統性地歸納（generalizes），而非記住每個訓練範例，因此能對先前未見過的影像給出正確輸出。p.510
• 訓練集標籤準確很重要：若以錯誤的 reference standard 標籤訓練，模型準確度會較低。p.510
• 訓練集越大、越多元且真實標籤越準確 → 演算法越準確、AI bias 越少；相關 coherences 會壓過不相關、虛假（spurious）的 coherences。p.510
• 眼科取得此類大型訓練集是昂貴、費力的過程，且受狹窄的倫理與法律限制；這種根本性的 data scarcity（資料稀少）限制了眼科以外廣泛使用的 AI 演算法直接轉用於眼科。p.510

Fig 18-1：image-based 與 biomarker-based deep learning AI

• Image-based AI：以一組完整視網膜影像訓練；biomarker-based AI：以含 biomarker 的影像區域訓練，訓練集的 ground truth 為 biomarker 類型（如「hemorrhage（出血）」），且通常會訓練多個 biomarker detectors（生物標記偵測器）。p.511
• 兩者皆在 training phase 建立模型；在臨床（診斷）階段輸入先前未見過的影像（「new patient」），完整訓練的 AI（完整影像訓練的演算法，或針對不同病理 biomarker 的多個 detectors）輸出診斷（如有 DR 或 DME）。p.511

八、Design、bias 與 reference standards

• 訓練集的分布說明了種族偏差（racial bias）等各種偏差如何被納入學習過程。p.510
• Black box AI（黑盒子 AI）：部分 machine learning 演算法沒有內建先驗知識（prior knowledge），可學會把影像中任何資訊（即使與疾病無關）與期望輸出相連結。p.510
• 此特性在目標是發現新的、先前未知的關聯（如研究可能的新疾病機轉）時可為優點；但若目標是在眼底照上準確辨識視網膜疾病病人，而眼底外觀在不同種族與族裔間可能不同，就可能引入偏差。p.510–511
• 範例：訓練集不經意偏向深色色素視網膜病人影像，且其疾病發生率低於淺色色素視網膜病人 → black box AI 會把淺色視網膜與「disease」輸出關聯得較強（它沒有其他資訊可得知此關聯不正確）→ 此偏差 AI 較可能把新的深色視網膜病人判為無病，造成漏診（missed diagnosis）。p.511
• 減少偏差的方法：AI 的概念化、設計、謹慎開發、事先分析訓練集，以及以 test set 驗證。p.511
• 可引入先驗知識，例如 DR 的特徵是 hemorrhages（出血）、exudates（滲出物）與 new vessels（新生血管），與種族或族裔無關。p.511
• 以 machine learning 建立 lesion detectors（病灶偵測器），可得到較易理解、對雜訊輸入較穩健，且可能降低基於眼底外觀之偏差風險的 AI 系統——前提是病灶辨識不受眼底色素影響。p.511–512
• 不論 AI 設計為何，仔細評估演算法在相關次族群（subpopulations）中的表現都是必要的。p.512
• Reference standards 可為：單一臨床醫師建立的標籤、多位專家的共識、獨立 reading center，或與臨床結果相關的 prognostic standard（預後標準）。p.512
• 為 AI 訓練集標籤建立嚴格的 reference standards，是演算法在新的、先前未見輸入資料上準確性、安全性與效能（efficacy）的根本。p.512

九、Large language models（LLMs，大型語言模型）

• LLMs 隨 2022 年 11 月推出的 Chat Generative Pretrained Transformer（ChatGPT）登場；ChatGPT 推出後 2 個月內即有 1 億名使用者。p.512
• LLMs 取材自數百萬篇文章、網站與書籍，這些大量資料稱為 corpus（語料庫）；主要以 autoregressive approach（自迴歸方法）訓練，即選擇與前面文字關聯機率最高的字詞來產生文字或回應。p.512
• 限制：corpus 或模型輸入的偏差（如網路上不準確、不完整的資訊）；產生看似流暢且符合事實、實則錯誤的答案，稱為 hallucinations（幻覺）；面對複雜問題或需要專業知識時表現不佳。p.512
• 部分臨床醫師已開始將 LLMs 用於特定工作；潛在用途包括協助病歷記錄、撰寫轉診信、病人衛教、提升診斷準確度與支援臨床決策。p.512
• 因此技術仍在形成階段且以前所未有的速度演進，需要整體政策框架確保其安全且適當地導入。p.512

十、結論

• 數位眼科可改善照護品質、減少不平等、改善醫師福祉，同時降低照護成本；EHR、telemedicine、big data 與 AI 各可能在達成這些目標上扮演關鍵角色。p.512
• 眼科在 AI 導入上居領先地位，取得美國 Food and Drug Administration（FDA）首件 autonomous AI 臨床使用的 De Novo authorization（「approval」）。p.512
• 此類 AI 系統已商業化，可擴展到數億名病人，使病人獲益的潛力與傷害風險同時增加；因此處理 AI 的安全、公平與其他倫理議題至關重要——這些議題與 AI 系統的技術細節同等重要或更重要。p.512
• 眼科專業的任務是確保眼科 AI 系統以安全且公平的方式設計、開發、驗證與導入；投入參與、培養相關技能與理解，並對公平與偏差保持警覺，是帶來數位眼科效益的必要條件。p.512