编者按：青光眼是一种导致视神经进行性、特征性损伤的疾病，具有高患病率及高致盲率的特点。它所导致的视功能损害往往呈进行性发展，无法恢复，是我国乃至全球首位不可逆致盲性眼病。近年来，在许多领域引领了创新与革命的AI（人工智能）技术，被视作是解决上述困境的关键突破口。AI通过深度学习建立诊断模型，能够提供眼底图片的辅助参数，只需要数秒即可初步判断被检者是否存在眼底疾病，给出诊断意见，进而辅助早期筛查与预防，降低青光眼盲的风险。在ARVO2024会议上，诸多学者分享了AI辅助下青光眼诊疗的发展和创新。
利用人工智能技术区分青光眼/近视患者
Sharma等人的研究目的是开发一种深度学习算法，能够检查从光学相干断层扫描（OCT）扫描中提取的视神经头（optic nerve head ONH）的三维（3D）形态，并以此来区分健康（ healthy H）、高度近视（highly myopic HM）、青光眼（glaucoma G）患者和高度近视伴青光眼（high myopia and glaucoma HMG）患者。
这是一项横断面研究，754名参与者（256 H、94 HM、227 G和108 HMG）共进行了685次扫描，不包括病理性近视患者。使用反射率（Abyss Processing Pte Ltd）通过OCT扫描描绘ONH的三个视网膜层和四个结缔组织层，并将层边界转换为3D点云（PC）。将OCT光栅扫描转换为径向扫描（RScan），并从每个OCT体积中以300个间隔提取六个RScan。设计了一种新的集成PointNet网络，专门利用4类分类（H、HM、G和HMG）的ONH的结构信息，同时分析3D PC和分段RScan。进行了三项测试（测试1：仅使用3D PC进行分类，测试2：仅使用RScan进行分类，以及测试3：同时使用3D PC和RScan进行分级），并通过报告每个类别（一个与所有类别）的受试者工作特征曲线下面积（AUC）来评估网络性能。
该网络在四类之间实现了非常好的区分，显示出0.93±0.03的微平均AUC（测试3）。H的一个AUC值与所有AUC值之比为0.95±0.02，HM为0.90±0.02，G为0.90士0.04，HMG为0.89±0.02。当仅使用PC时，网络显示出0.91±0.03的AUC（测试1），而对于六个分段的RScan，它显示出0.90±0.02的AUC。值得注意的是，与其他病例相比，试验3的分类AUC显著更高（P＜0.001）。
Sharma等人的研究证明了设计的集成PointNet可以高准确度地有效区分近视眼和青光眼。该方法有望仅依靠ONH的3D形态，将高度近视眼与青光眼区分开来。但研究者也认为，虽然分类性能良好，但需要在相当大的人群中进行验证，以使临床使用的可靠性较高。
讲题：Harnessing Optic Nerve Head Structural Information for AIBased Classification of Glaucoma and Myopia
第一作者：swati sharma
共同作者： Tun Tin, Thanadet Chuangsuwanich, Fabian Braeu, Quan V. Hoang,Rachel Chong, Tin Aung, Michael J A Girard
如何通过仅基于一个视野（Visual Field VF）数据输入的深度学习模型来预测点式视野
准确评估疾病进展对青光眼管理至关重要。Hiroshi等人的研究目的是探索在未来多久深度学习模型可以仅基于一个VF输入，在预期变异范围内预测逐点视野（VF，Humphrey，24-2 SITA Standard，Zeiss，Dublin，CA）数据。
研究方法为在纵向青光眼队列中收集每个受试者的一系列VF测试结果。新开发的深度学习模型架构CoTrNet结合了卷积和变换器，用于基于单个基线VF数据预测未来可变时间点的逐点VF灵敏度。1423名受试者8390个VF系列的总数，其中VF测试之间的各种间隔被算作单个系列，用于模型的训练、验证和测试。基线和预测未来时间点之间的时间间隔与基线VF连接，以形成模型的输入。平均绝对误差（mean absolute error MAE）用于训练和评估。作为与传统架构的比较，还训练了级联网络-5（卷积神经网络（convolutional neural network CNN）架构）和递归神经网络（recurrent neural network RNN，长短期记忆（long short term memory，LSTM）架构）。CascadeNet-5从一个VF数据中获取数据作为输入，就像我们的CoTrNet一样，而RNN从两个连续的基线VF数据作为输入。对于3个模型，数据集被分割以进行10倍交叉验证，且没有患者重叠。
研究结果显示受试者的平均年龄为66.1±12.0岁。该队列的平均基线VF平均偏差（mean deviation MD）为-5.6±7.4 dB（中位数-2.74，范围为-34.0至5.8 dB）。图例显示了3个深度学习模型的性能作为预测时间的函数。CoTrNet在达到4年之前显示出最低的MAE，所有这些都在预期的可变性范围内（<2.75dB），此时CoTrNet和CascadeNet-5都显示出MAE的突然上升，这样的现象可能是小的测试样本量所致。
该研究结果显示新开发的CoTrNet模型实现了长达3.5年的稳定预测性能，并且优于其他测试模型。CoTrNet可以提供一种在第一次就诊时，只需要一次VF测试即可预测未来青光眼发展的方法。
讲题：How Far in the Future Can a Deep Learning Model Forecast Pointwise Visual Field (VF) Data Based Solely on One VF Data Input
第一作者：Hiroshi Ishikawa
共同作者：Ashkan Abbasi, Sowjanya Gowrisankaran, Bhavna Josephine Antony, Xubo Song, Gadi Wollstein, Joel S. Schuman
一种新型跨四个成像平台结构元评分用于评估青光眼的长期进展
Sangwook等人开发一种单一量表的结构综合评分（structural metascore SMS），该评分结合了四种成像设备的测量结果，以便于评估长期结构性青光眼损伤并分析其预测性能。
研究方法是SMS结合四种成像设备的测量结果（视盘摄像[optic disc photography OPD]边缘面积与视盘面积之比[ rim area to disc area ratio RADAR]、海德堡视网膜断层扫描II[Heidelberg Retina Tomograph HRT]边缘面积、HD Cirrus光学相干断层扫描[optical coherence Tomography OCT]平均视网膜神经纤维层[ retinal nerve fiber layer RNFL]厚度、Spectralis OCT RNFL全层厚度），并将其表示为从0（最差）到100（最好）的单一测量值。用先前报道的方法绘制SMS与时间的关系图（De Gainza 2022）。SMS性能通过预测未来值的能力（内部验证）和斜率，以及与三名专家评分员分配的平均成绩的相关性（外部验证）进行评估。
研究为1556名患者的2914只眼睛创建SMS图。平均基线年龄（±SD）为60.5（±11.2）岁，平均随访12.0（±4.8）年，每只眼睛的平均图像数为14.0（±5.8）。ODP、HRT、Cirrus和Spectralis。SMS斜率的中位数为-0.4（四分位间距1.1）。平均绝对预测能力为7.74/100（其中100=整个标准化量表）。三位临床医师分配的平均等级与SMS斜率之间的相关性分别为-0.51、-0.66和-0.56，第一等级（等级仅具有结构成像设备打印输出）、第二等级（仅具有SMS图）和第三等级（打印输出+SMS图）。当评分者同时使用设备打印输出+SMS图时，他们之间的一致性最高（评分者A&B=88%；评分者A&C=77%；评分者B&C=83%）。
这项新开发的SMS包括ODP的自动测量，与以前的SMS相比，显示出类似的预测能力，且评分者之间的一致性更高。通过纳入ODP，可以在不同以及曾经无法相比较的平台上，在单一尺度上解释长期结构性青光眼的进展，从而获得可接受的准确性。
讲题：A new structural metascore across four imaging platforms to measure long-term progression in glaucoma
第一作者：Sangwook Jin
共同作者：Daniela Andrea Khaliliyeh Yarur , Esteban Morales , Ella Bouris , Joseph Caprioli
总结：青光眼是全球范围内导致失明和残疾的重要眼病。未来几年，其患病率还将进一步增加，对医疗保健体系及个人患者产生重大影响。与之对应，人工智能在在青光眼中的研究与应用日臻成熟，促进了人们对青光眼的理解，极大地提高了青光眼筛查与诊断的准确性与效率，大大降低了检查成本。这些算法能够提供更快、更可靠的诊断结论，改善服务不足人群获取诊疗资源的机会，并减少诊断结果的大幅波动。
声明：本文仅供医疗卫生专业人士了解最新医药资讯参考使用，不代表本平台观点。该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议，如果该信息被用于资讯以外的目的，本站及作者不承担相关责任。
2 comments
京公网安备 11010502033360号
条评论
Linda Gareth
2015年3月6日, 下午2:51Donec ipsum diam, pretium maecenas mollis dapibus risus. Nullam tindun pulvinar at interdum eget, suscipit eget felis. Pellentesque est faucibus tincidunt risus id interdum primis orci cubilla gravida.