青年眼科医师在白内障手术规范化培训中存在的问题及策略研究

叶子 李朝辉

[摘要] 本文介绍了我国白内障手术的现状，总结了青年眼科医师培养中存在的问题，提出依托智能化、信息化体系快速、大量、高标准地开展青年眼科医师培养的策略和利用最新的计算机视觉处理技术进行眼科手术视频数据处理分析的可行性，以期为将来通过眼科手术视频数据设计辅助手术工具和模拟培训体系培训青年眼科医师提供指导。

[关键词] 青年；眼科医师；培养；策略

[中图分类号] R192.3 [文献标识码] A [文章编号] 1673-7210（2018）09（a）-0054-05

[Abstract] This paper introduces the current situation of cataract surgery in China， summarizes the problems in the training of young ophthalmologists， and offers the strategy to develop young ophthalmologists by intelligence and information system， to discuss the feasibility of using the latest computer vision processing technology to take video data processing and ophthalmic surgery analysis， in order to design surgical tools and simulation training system for young ophthalmologists training through eye surgery video data in the future.

[Key words] Youth； Ophthalmologist； Culture； Strategy

年龄相关性白内障（age-related cataract，ARC）是一种常见的致盲性眼病，是老年人失明的主要原因之一，60～89岁人群白内障发病率则可达到80%[1-2]。但目前我国白内障患者手术率与其他国家相比仍处于较低水平，其主要原因包括基层医院手术医师严重匮乏、眼科资源分配不均、手术操作缺乏规范性等，这其中又以眼科青年医师的培养问题最为突出[3]。因此，对青年医师进行有效的手术操作规范化培训迫在眉睫，快速掌握扎实的基本功是对青年医师最基本的要求[4]。作为一类极具实践性和专业性的临床学科，眼科学要求进入工作岗位的青年眼科医师及时了解和学习眼科学的最新临床发展动态，并进行高效、专业的手术操作规范化培训，以缓解我国白内障手术覆盖程度较低的问题[5]。但目前已知的青年医师白内障手术培训系统缺乏有效的、互动式、可反馈手术培训及评估的系统[6]。本文就目前青年眼科医师培养中存在的问题及应对策略进行分析，并对目前最新的利用计算机视觉处理技术开展眼科手术视频数据处理分析的方法进行了梳理，对将来利用眼科手术视频数据设计辅助手术工具和模拟培训体系对青年医师进行培训开始了初步探讨，进而使青年眼科医师及时掌握手术操作技巧，并缩短手术学习曲线，提高医师整体的手术操作水平。

1 目前我国白内障手术普遍存在的问题

1.1 我国白内障手术的现状

白内障是全球性的第一位致盲性眼病，目前治疗最有效的方法是手术，手术治疗不仅给社会带来了沉重的经济负担，同时也存在一定的风险和并发症[7]。2009年开展的“百万贫困白内障患者复明工程”是我国重大公共卫生项目，超声乳化技术及人工晶体的高速发展使得手术治疗成为目前白内障治疗的最优选择[8]。但与其他发达国家相比，我国白内障手术率仍处于较低水平[9]。亚太白内障及屈光手术医生协会秘书长杨南谆列举了新加坡白内障手术率为4000/百万，印度已超过6000/百万，美国已超过9000/百万，而中国目前的手术率是发达国家的1/6[10]。因此，我国白内障手术率仍存在很大的增长空间。我国国情决定了白内障手术覆盖程度存在明显的差异性：①基层医院手术医师严重匮乏，文献调查结果显示我国目前的眼科医师在6000人左右，平均每名眼科医生需服务6万人群，每千人仅拥有0.0178名眼科医生，而在国外发达国家，如美国和法国每千人中拥有眼科医生数量可达到2.79、2.17名[11]。我国眼科医生资源与发达国家水平存在较大差距，眼科人才的匮乏问题显著，眼科医生的不足对我国眼科事业的发展产生了严重的制约。因此，需要提高青年眼科医生的培训效率，进一步促进我国眼科事业的发展，从而使眼科资源能够跟上人民不断增长的眼科医疗需求。②眼科资源分配不均，手术设备和眼科技术力量分布地域差别大，西部地区及贫困地区手术率较东部地区及发达地区明显偏少，比如上海城区白内障手术率达到了6000/百万，而郊区只有1000/百万，城乡差别很大，优秀的手术资源和白内障医师多集中于经济相对发达的地区，而广大偏远地区基层医师手术技术水平参差不齐[12]。③手术操作缺乏规范性，在复明项目实施过程中，虽然全国90%的市县均可以独立开展白内障复明手术，但手术实施过程中存在着操作技术不规范、并发症发生比例高、手术意外处理不及时等问题[13]。

1.2 眼科青年医师的培养问题

白内障手术中存在的问题又以眼科青年医师的培养问题最为突出，青年眼科医师在学校阶段由于课时及教学内容的限制，实习的时间也无法满足真正的需求，导致刚步入职场的青年眼科医师对专业理论、专业知识和眼科基本理论的掌握不够，同时如何在直面患者时完成角色的转换也极为重要[14-15]。当下在临床中大多采用住院医师制模式对眼科手术医师进行相应的技能培训，该方案存在一定的局限性，如培训间断、周期长、学员手术技能不稳定及技能重复训练率低等问题，在一定程度上限制了青年眼科医师相关临床技能的提高。同时绝大多数的医学院校附属医院及临床教学医疗机构虽然渐渐构建了各自的眼科培养方案，但却没有统一的量化标准，眼科医师的培养质量同临床实际要求还有一定的距离。作为临床上具有极强专业性的二级学科，眼科同其他身体组织器官不论是在生理上还是在病理特点上均有较明显的差异，需要通过特殊仪器及设备才能对其精细复杂的结构进行直观的检查[16]。随着醫疗技术的发展诸如多波长激光器、频域光学相干断层扫描及超声生物显微镜等大量先进的眼部检查、治疗设备投入了临床，同时微小切口白内障及23G玻璃体切割等先进的显微微创手术治疗方案也逐渐推广，这就对我们的青年眼科医师专业技术的培养提出了更高的要求。

1.3 目前眼科青年医师手术培训及评估系统中的问题

如何提高我国的白内障手术培训质量是目前医学临床教育面临的重要课题。从最原始的师父凭个人经验对徒弟“口口传授”，到一系列超声乳化手术步骤的制订和推广，白内障手术培训已趋于规范化和规模化[17]。20世纪90年代末高端医学模拟技术的应用，使眼科手术教学质量发生质的飞跃，极大地促进了白内障手术培训体系的建立。目前针对白内障手术的教学培训，临床中主要依靠于手术模拟器系统的使用。白内障手术模拟器系统主要由一台高性能计算机、带有四维视觉界面（三维+旋转）模拟显微镜及显微镜控制模拟设备、白内障超声乳化手柄和白内障核操作显微器械模拟设备、超声乳化脚踏板以及装有电子眼的头部模型等五部分组成。该培训体系可非常逼真地模拟白内障手术操作过程中的各个手术步骤，对缩短受训者手术学习曲线具有一定的帮助作用[18]。但是该培训系统离完美的教学工具相去甚远，尚处于手术培训体系建立发展过程中的初级阶段，仍未摆脱单向教学的局限性，没有反馈性的教学体验，因此其对受训学员的指导作用仍较弱。而针对上述我国白内障手术率偏低、手术医师严重不足的现状和手术医师技术不成熟、缺乏规范化系统性培训之间的矛盾，对基层医师和青年医师进行规范化程式化的手术技术培训是非常必要的。

2 青年眼科医师的培养策略

2.1 青年医师规范化手术培训的策略

为了更好地解决青年眼科医师培养中存在的问题，临床和学术界进行了积极的探索。如建立规范化的操作技术，强化质量控制，在全国范围内建立白内障手术操作规范专家共识。目前关于白内障手术相关的最新专家共识是2017年亚太白内障屈光手术学会（APACRS）白内障手术操作指南，虽然该指南中囊括了绝大多数白内障手术操作及人工晶状体选择的原则及指导性意见，但因各个国家国情及手术医师水平层次的限制，它并不能为广大临床工作者提供可供参考的指导细节[19]。即使根据我国国情对指南进行修订或建立我国白内障手术专家共识，对基层青年医师的指导作用仍相对有限，并不能从根本上提高青年医师白内障手术学习效率。因此，从该点出发进行尝试，存在一定的局限性。这就需要我们建立更加客观的评价系统，确保手术安全。在人工智能极速发展的时代背景下，充分利用中国患者数量巨大的优势，在建立大数据平台基础上，研发一套有效且可靠的评价系统，打破以往人机互动的单向模式，打造机器人反馈式、实时指导式操作系统，目的是通过机器对操作者的修正式辅导，在最大程度上降低手术并发症和术后不良反应，缩短青年医师手术培训学习曲线。从该点出发进行尝试，明显更具可行性和现实意义，符合基层医院的现实情况，有利于基层医院的推广。

2.2 新型手术规范化培训系统建立的必要性

研发一套规范化的白内障手术培训系统，需要医生、计算机专家以及工程学家的密切配合与相互反馈，才能提高基层医师和青年医师的学习质量，有效缩短医师学习曲线，切实保障白内障防盲工作的质量，用实际行动践行“一带一路”建设。以往的研究经验告诉我们，研发一套智能分析的白内障手术培训系统，需要临床医生、计算机专家的密切配合与协作[20]。值得欣喜的是，近些年来在国家科技创新政策的大力支持和指引下，信息技术与传统行业的合作正在快速“升温”。尤其是国务院总理李克强在2017年政府工作报告中，首次将“人工智能”写入了全国政府工作报告[21]。这意味着人工智能已上升为国家战略。随着相关系统和产品的不断迭代更新，我们相信未来依托智能化、信息化体系快速、大量、高标准开展基层和青年眼科医师培训的日子指日可待。

2.3 新技术应用于青年眼科医生培养的前景或可行性

2.3.1 视频自动分析与智能互动 随着医疗成像技术的进步和手术室设备的完善，记录和分析手术录像在过去的十年中得到了普及[22]。这些方法的出现可以帮助外科医生更好地、更快地提高手术技巧、帮助医疗机构开展手术技能评估与教育培训。全球每年进行超过1900万台白内障手术，在以往的临床研究当中，手术过程的描述往往只有手术时间等简单指标，缺乏能够自动和快速对手术录像进行量化处理的工具[23]。近两年来，随着深度学习技术的成熟，视频自动分析相关的应用成为一个非常热门的研究方向，目前开展最多的研究主要是识别视频中的行为和监测特定的场景[24]。在医疗领域已经有步态分析和手术监测。白内障手术是镜下手术，手术视野变化范围较小，具备较高的可处理性。利用最新的深度学习技术对白内障手术录像进行处理，可以实现视频中手术器械的自动检测和手术场景的智能分类，起到辅助手术技能培训和实时决策的作用。

2.3.2 时间序列分析在手术器械自动识别中的运用 具体的目标首先是对手术录像当中出现的手术器械进行自动识别。与其他计算机视觉任务相比，手术器械识别具有几个特点：首先，它不同于许多计算机视觉任务，包括近两年流行的ImageNet计算机视觉识别的挑战中的单标签分类任务，需要解决的问题是多标签分类（每一帧图像可能有多个正确的标签）而不是多类分类问题（多个图像有一个正确的标签类）[25]。其次，每一帧图像使用的工具数量也不尽相同；最后，考虑到白内障手术具有明显的流程特性，时间序列在手术器械出现规律当中具有重要价值。在2016年计算机辅助干预的建模与监测（modeling and monitoring of computer assisted interventions，M2CAI）竞赛中，用于手术视频中刀具检测的最新算法是卷积神经网络算法（convolutional neural networks，CNN），在该挑战中最佳解决方案采取迁移学习策略：将用在ImageNet数据集中的静止图像分类CNN算法进行微调后用在手术视频中提取图像的分析处理上[26]。值得注意的是时间信息在这些解决方案中并没有被利用，文献报道提出的解决方案是依靠CNN处理连续图像的短序列，使用光流来记录和组合来自连续图像的局部特征[27]。目標是在一个工具上结合稍微不同的视图，其中一些受到运动模糊或遮挡的影响。然而，图像之间的长期关系并没有在上述文献中被利用。目前最新的算法已经可以在白内障手术视频当中实现95%以上的手术器械识别准确率[28]。

2.3.3 手術流程自动分析 除了识别手术录像中出现的器械，另一个研究方向是手术流程的自动分析。已经有人提出了结合手术时间信息来实现这个功能的方案[29]。目前大多数解决方案都依赖于统计模型，如条件随机场模型[30]。最近，有研究还提出了基于循环神经网络（recurrent neural networks，RNN）的解决方案，在所有这些工作中，统计模型或RNN算法被用来标示手术所处的阶段[31]。但是，鉴于手术活动和工具使用之间具有强相关性，未来可以期待利用手术器械识别来优化手术流程的分析的效果。

上述学者的研究成果清楚地表明，手术视频处理算法采用组合式CNN胜过采用单个CNN算法。不同结构CNN模型通常被先用于手术视频特征的提取训练，再与标准的机器学习算法（决策树、随机森林、多层感知器等）结合最终实现手术器械的分类识别。然而，目前的研究表明这样的方法所取得的结果仍不尽理想，因为不同的样本可能被CNN算法误分类[32]。同时在手术视频中有许多难以分类的样本，特别是在那些出现多个形状相同的手术器械的场景（例如在白内障手术中有两种类型的套管）。增加RNN算法对提高识别的准确率是有意义的。从时间维度上判断手术器械的出现，极少会出现难以分类的样本，因为在实际手术当中不按照正常程序使用手术器械的情况是非常罕见的。因此，有人建议在白内障手术视频识别当中应采用CNN和RNN结合的方法来进行手术器械的自动识别[33]。

已经有学者提出，分析中应包含时间序列信息的解决方案，而不是单纯地分析每一帧图像，这些解决方案总体上可以分为以下三种策略：第一个策略是将视频视为三维图像，然后利用3D CNN算法来处理[34]。第一种方法的主要缺点是操作过程过于复杂，需要许多训练样本，意味着处理样本的时间会无限延长。第二个策略是分析二维图像以及连续图像之间的光流[35]。这种方法更加简单，简化了视频预处理的环节。但是，这种方法只能模拟图像之间的短期关系，并且容易出现光流估计错误。最后一种策略是将CNN分析2D（有时3D）图像与分析时间序列的RNN结合起来。“CNN+RNN”这种目前最为先进的视频分析方法的主要优点是可以有效地考虑事件之间的长期关系，而无需任何前期的标记样本准备，目前已经可以达到90%以上的准确率。通过“CNN+RNN”等新技术对白内障手术录像进行处理，可使手术器械自动检测及手术场景智能分类效果得到显著提高，可保证培训内容的全面性和一致性，可较好地理解眼科手术器械使用要点及流程，从而起到缩短培训时间、提高培训效率的效果。研究认为，人类对于录像拍摄的特定部分记忆效果是最佳的[36]，参考该结果，越来越多的研究者利用医疗成像技术对眼科医生进行培训，培训效率得到极大提高。通过图像中的细节之处引发眼科医生关注，在关注细节的同时激发医生的创造性思维，使眼科医师在接受培训的过程中懂得独立观察和思考，及时发现问题并找到解决方法，从而在头脑中形成正确深刻的观念。同时该培训方案杜绝了单纯的文字直面交流，改变了医生的思维认知的方法，将口头培训的抽象思维转变为图像培训的形象思维。手术操作技能建立在医生理解、记忆并通过创造性思维把理论知识融会贯通的基础之上，因为每一步操作都有相应的依据，只有理论基础扎实，才能够顺畅地完成相应操作。

3 展望

如今眼科青年医师的白内障手术培训在国内各教学医院中主要还是通过“学徒式”的实践教育模式来进行培训，手术技能的提高需要循序渐进，耗费了大量的人力、物力及时间，且患者自身的健康意识及保护意识也伴随着医疗环境的变化而得到显著提高，青年医师于培训初期在对患者的治疗中存在一定的潜在风险。如何探索规范化的白内障手术培训系统，从而增加眼科青年医师的培训效率是各家教学医院急需解决的重要课题。利用计算机视觉处理技术开展眼科手术视频数据处理分析的方法在临床实践教学当中极具应用前景，但仍需要临床中的不断探索完善。未来在手术器械和手术流程分析达到最高准确度的基础上，下一步就是实现在手术过程当中实时分析手术视频，并在此基础上开发多种应用，最终目的是能够对成长中的青年医师手术操作步骤的每一个细节进行分析和指导，规范操作流程，以及规避和纠正不良动作和习惯，帮助青年眼科医生更加快速地掌握手术技巧，使“规范化”手术培训真真正正地规范起来。

[参考文献]

[1] Abdelkader H，Alany RG，Pierscionek B. Age-related cataract and drug therapy：opportunities and challenges for topical antioxidant delivery to the lens [J]. J Pharm Pharmacol，2015，67（4）：537-550.

[2] 姚克，叶盼盼.我国近五年白内障研究进展和展望[J].中华眼科杂志，2010，46（10）：888-892.

[3] 侯旭，胡丹，周健.规范眼科住院总医师培训提升眼科专业人才素质[J].西北医学教育，2014，22（1）：202-205.

[4] Sofka CM. Developments and innovations in resident and fellowship education：review article [J]. HSS J，2014，10（3）：225-229.

[5] 丁琳，王绍飞，宋艳.眼科住院医师规范化培训模式的探讨[J].继续医学教育，2014，28（1）：15-16.

[6] Cedfeldt AS，Bower E，Flores C，et al. Promoting Resident Wellness：Evaluation of a Time-OffPolicy to Increase Residents′Utdization of Health Care Services [J]. Acad Med，2014，90（5）：678-683.

[7] Twinanda AP，Shehata S，Mutter D，et al. EndoNet：A Deep Architecture for Recognition Tasks on Laparoscopic Videos [J]. IEEE Trans Med Imaging，2017，36（1）：86-97.

[8] Al Hajj H，Lamard M，Charriere K，et al. Surgical tool detection in cataract surgery videos through multi-image fusion inside a convolutional neural network [J]. Conf Proc IEEE Eng Med Biol Soc，2017，2017：2002-2005.

[9] 侯旭，胡丹，周健.眼科進修医师培训的问题与思考[J].国际眼科杂志，2015，15（3）：517-519.

[10] 赵家良.提高白内障手术率是我国防盲治盲的当务之急[J].中华医学杂志，2013，93（47）：3729-3730.

[11] 黄家林，刘斌，朱增钦，等.发展中国家白内障手术的现状[J].国际眼科杂志，2013，13（6）：1142-1146.

[12] 曾光，于萌，李洁，等.眼科学专业学位研究生参加住院医师规范化培训中的实践初探[J].医学美学美容：中旬刊，2015，2015（3）：487.

[13] 中华医学会眼科学分会白内障及人工晶状体学组.我国白内障及人工晶状体近五年十大研究进展[J].中华眼科杂志，2015，51（4）：301-304.

[14] Ye H，Wu Z，Zhao RW，et al. Evaluating two-stream CNN for video classification [C]//ACM on International Conference on Multimedia Retrieval，2015：435-442.

[15] Donahue J，Hendricks LA，Rohrbach M，et al. Long-Term Recurrent Convolutional Networks for Visual Recognition and Description [J]. IEEE Trans Pattern Anal Mach Intell，2017，39（4）：677-691.

[16] 李燕，林铎儒，梁苑眼科住院医师委托培养效果的评估研究[J].眼科学报，2016，31（4）：251-258.

[17] 范文欢，熊林平，陶磊，等.我国住院医师规范化培训考核评估研究及对策[J].现代医院，2016，16（4）：592-594.

[18] 吴航，戴惟葭，刘大川，等.利用手术模拟器提高眼科青年医师白内障手术技能在临床教学中的应用[J].国际眼科杂志，2009，9（11）：2158-2159.

[19] 中华医学会眼科学分会白内障及人工晶状体学组.第30届亚太白内障及屈光手术医师学会年会暨第18届全国白内障及人工晶状体学术年会会议总结[J].中华眼科杂志，2017，53（11）：878-880.

[20] 崔洪雨，刘丹，曲巍，等.PBL教学模式在眼科学教学中的实践[J].国际眼科杂志，2014，14（7）：1303-1306.

[21] 《黑龙江档案》编辑部.首次写入政府工作报告的人工智能解读[J].黑龙江档案，2017，2017（4）：112.

[22] 朱明善.眼科超声生物显微镜研究进展[J].中国医疗器械杂志，2014，38（2）：122-125.

[23] 董骋寰，薛奥，黄焱.多媒体案例教学在眼科学教学中的应用[J].基础医学教育，2014，16（6）：479-480.

[24] 吴航，戴惟葭，董莹，等.手术模拟器培训眼科青年医师显微手术技能的观察研究[J].国际眼科杂志，2015，15（7）：1240-1241.

[25] 张自峰，胡丹，周健，等.以问题为基础学习教学法在八年制学员眼科临床实习的应用[J].国际眼科杂志，2015， 15（9）：1625-1628.

[26] 胡旭颞，张宗端，郑斌，等.眼科显微手术技能分级培训模式的探索[J].中国高等医学教育，2013（9）：63-64.

[27] 张媛，欧阳薇薇，胡章雪，等.重庆市住院医师规范化培训现状PDCA分析[J].重庆医学，2015，44（6）：851-853.

[28] 李培杰，刘晓梅.PDCA循环法在住院医师规范化培训中的应用效果[J].齐鲁医学杂志，2014，29（1）：83-84.

[29] Lalys F，Jannin P. Surgical process modelling：a review [J]. Int J Comput Assist Radiol Surg，2014，9（3）：495-511.

[30] Tao L，Zappella L，Hager GD，et al. Surgical gesture segmentation and recognition. Med Image Comput Comput Assist Interv，2013，16（Pt3）：339-346.

[31] Cho K，van Merrienboer B，Gulcehre C，et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation [J]. EMNLP，2014，14（6）：1078-1093.

[32] 杨楠，南琳，张丁一，等.基于深度学习的图像描述研究[J].红外与激光工程，2018，47（2）：1-8.

[33] Quellec G，Charriere K，Boudi Y，et al. Deep image mining for diabetic retinopathy screening [J]. Med Image Anal，2017，39（2017）：178-193.

[34] Zhu W，Hu J，Sun G，et al. A key volume mining deep framework for action recognition [C]//Computer Vision & Pattern Recognition，2016：1991-1999.

[35] Charriere K，Quellec G，Lamard M，et al. Real-time analysis of cataract surgery videos using statistical models [J]. Multimed Tools Appl，2016，6（76）：1-19.

[36] Henkel LA. Point-and-shoot memories：the influence of taking Photos on memory for a museum tour [J]. Psychol Sci，2014，25（2）：396-402.

（收稿日期：2018-04-19 本文编辑：张瑜杰）