全球范围内，白内障是造成视力受损和失明的主要原因。多年来，研究人员在开发最先进的白内障自动分类和分级机器学习技术方面取得了重大进展，旨在早期预防白内障，提高临床医生的诊断效率。来自南方科技大学的研究团队全面综述了基于眼科图像的白内障分类/分级机器学习技术的最新进展。文章从传统的机器学习方法和深度学习方法两个方向总结了现有文献，并深入分析了现有研究的优点和局限性。此外，文章还讨论了基于机器学习技术的白内障自动分类/分级技术所面临的一些挑战，并为未来的研究提出了可能的解决方案。

图片来自Springer

根据世界卫生组织统计，全球约有22亿人患有视力障碍。白内障约占视力损伤的33%，是全世界范围内致盲的头号原因(超过50%)。白内障患者可以通过早期干预和白内障手术来提高生活质量和视力，这是同时降低失明率、减轻社会白内障致盲负担的有效方法。

临床上，当晶状体内的蛋白质聚集在一起时，晶状体区域的透明度降低，进而引发白内障。这和许多因素有关，例如发育异常、创伤、代谢紊乱、遗传因素、药物引起的变化、年龄等。遗传和年龄是引发白内障最重要的两个因素。

在过去的几年中，眼科医生基于他们的经验和临床培训，使用几种眼科图像来诊断白内障。这种人工诊断的模式容易出错、耗时、较为主观且成本高昂，而经验丰富的临床医生匮乏，这给发展中国家、农村、社区的白内障筛查与诊疗带来巨大挑战。为了早期预防白内障，提高白内障诊断的准确性和效率，研究人员致力于开发计算机辅助诊断(CAD)技术，包括传统的机器学习方法和深度学习方法，可针对不同的眼科图像，实现白内障的自动分类/分级。

在过去的十年中，深度学习在各个领域都取得了巨大的成功，包括医学影像分析。它可以以端到端的方式从原始数据中学习低级、中级和高级特征表示(例如，眼科图像)。各种深度神经网络模型已被用于处理白内障分类/分级任务，如卷积神经网络(CNN)、基于注意力的网络、快速RCNN和多层感知器(MLP)神经网络。

现有的综述文章分别总结了白内障类型、白内障分类/分级系统和眼科成像模式；然而，至今尚没有文章系统地总结基于眼科成像模式的白内障自动分类/分级ML技术。本文首次系统总结了ML技术用于白内障自动分类/分级的最新进展，主要关注白内障分类/分级中的ML技术，包括传统ML方法和深度学习方法。

本文综述了Web of Science、Scopus和Google Scholar数据库中的相关论文。基于所收集的论文、研究团队的总结以及与经验丰富的眼科医生的交流，形成了本文总体的组织框架(如图一)。研究团队还简要回顾了眼科成像模式、白内障分级系统和常用的评估方法，并逐步介绍了ML技术，以期为当前的研究提供有价值的总结，并为基于ML的白内障分类/分级指出未来潜在的研究方向。

Machine Learning for Cataract Classification/Grading on Ophthalmic Imaging Modalities: A Survey

Xiao-Qing Zhang, Yan Hu, Zun-Jie Xiao, Jian-Sheng Fang, Risa Higashita, Jiang Liu

https://link.springer.com/article/10.1007/s11633-022-1329-0

https://www.mi-research.net/en/article/doi/10.1007/s11633-022-1329-0

【本文作者】

Machine Intelligence Research（简称MIR，原刊名International Journal of Automation and Computing）由中国科学院自动化研究所主办，于2022年正式出版。MIR立足国内、面向全球，着眼于服务国家战略需求，刊发机器智能领域最新原创研究性论文、综述、评论等，全面报道国际机器智能领域的基础理论和前沿创新研究成果，促进国际学术交流与学科发展，服务国家人工智能科技进步。期刊入选"中国科技期刊卓越行动计划"，已被ESCI、EI、Scopus、中国科技核心期刊、CSCD等数据库收录。

新春喜报！MIR入选“中国科技核心期