人工智能在家即可诊断眼球运动障碍

摘要：研究人员开发出一种基于AI的诊断工具，利用智能手机视频和云计算检测眼球震颤（平衡和神经紊乱的关键症状）。与传统方法（如眼震电图，昂贵且繁琐）不同，该深度学习系统为远程诊断提供了低成本、患者友好型替代方案。它实时绘制468个面部标志点，分析慢相速度，并生成可供临床使用的报告。早期测试表明，该工具结果与金标准设备相当，有望通过远程医疗扩大医疗服务范围。

关键事实：

• 基于智能手机的诊断：患者可在家上传眼动视频以进行远程AI分析。
• 临床可靠：初步结果与传统诊断工具高度吻合。
• 远程医疗整合：为远程会诊设计，降低成本并提高偏远地区的可及性。

来源：佛罗里达大西洋大学（FAU）

人工智能在现代医学中作用愈发重要，尤其在解读医学图像辅助临床评估疾病严重程度、指导治疗决策和监测疾病进展方面。但多数现有AI模型基于静态数据集，限制了适应性和实时诊断潜力。

为解决这一问题，FAU研究人员及其合作者开发了一种新的概念验证深度学习模型，利用实时数据协助诊断眼球震颤（一种非自主、有节奏的眼球运动，常与前庭或神经紊乱有关）。同时，FAU研究人员也在试验一种具有深度学习能力的可穿戴式耳机来实时检测眼球震颤。

金标准诊断工具如眼震电图（VNG）和电眼震图虽用于检测眼球震颤，但有明显缺点：成本高（VNG设备常超10万美元）、设备庞大、患者测试不便。

FAU的AI驱动系统提供了一种经济高效且患者友好的替代方案，可快速可靠地筛查平衡失调和异常眼动。该平台允许患者用智能手机记录眼动，安全上传视频至云系统，接受前庭和平衡专家的远程诊断分析，无需出门。

这一创新的核心是一个深度学习框架，它通过实时面部标志点追踪分析眼动。AI系统自动绘制468个面部标志点并评估慢相速度（识别眼球震颤强度、持续时间和方向的关键指标），然后生成直观的图表和报告，便于听力学家和其他临床医生在虚拟会诊中解读。

涉及20名参与者的初步研究结果发表于《Cureus》（施普林格·自然旗下），表明AI系统的评估与传统医疗设备所得结果非常接近。这一早期成功凸显了模型的准确性和临床可靠性潜力，即便在初始阶段。

研究负责人Ali Danesh博士称：“我们的AI模型是一种有前景的工具，能部分补充，在某些情况下甚至取代传统诊断方法，尤其在远程医疗环境中，那里获取专业医疗服务受限。”通过整合深度学习、云计算和远程医疗，诊断变得更灵活、经济、可及，尤其对低收入的农村和偏远社区。

团队用15000多个视频帧训练算法，按70:20:10比例划分训练、测试和验证，确保模型对不同患者群体的稳健性和适应性。AI还采用智能过滤去除眨眼等伪影，确保读数准确一致。

除诊断外，该系统旨在简化临床工作流程。医生和听力学家可通过远程医疗平台获取AI生成的报告，与患者电子健康记录对比，制定个性化治疗方案。患者受益于减少出行、降低成本，在家上传新视频就能进行随访评估，便于临床医生跟踪疾病进展。

同时，FAU研究人员试验的可穿戴式耳机在早期受控环境测试中显示出潜力，但仍需改进以解决传感器噪音和个体差异等挑战。

Harshal Sanghvi博士称：“尽管处于早期阶段，我们的技术有潜力改变前庭和神经紊乱患者的医疗服务。”该平台能提供无创、实时分析，可广泛应用于诊所、急诊室、听力中心甚至家庭。

该跨学科项目包括来自FAU多个学院以及其他机构的合作者，他们共同努力提高模型准确性、扩大不同患者群体的测试，争取FDA批准以广泛临床应用。

Danesh称：“随着远程医疗成为医疗服务中日益重要的部分，像这样的AI驱动诊断工具有望改善早期检测、简化专家转诊并减轻医疗服务提供者的负担，最终为患者带来更好结果。”

结论：该深度学习模型有潜力为偏远地区个人提供诊断咨询，在一定程度上可补充或部分取代传统方法如VNG。医学中机器学习的不断进步将增强诊断患者的能力，促进合适的专家转诊并支持医生进行治疗后随访。由于这是概念验证性初步研究，需要更大样本量的进一步研究。