深度学习通过量化视盘边界、神经视网膜缘盘宽度、盘沿厚度及杯盘比例等多维参数，可有效提升青光眼诊断的客观性与准确性。关于青光眼的研究，早期主要从CFP入手，研究人员利用深度学习模型从大样本数据中学习视盘凹陷扩大、神经视网膜缘盘变窄、盘沿缺损及盘周结构异常等复合特征，来准确识别可转诊青光眼性视神经损伤，外部验证AUC超过0.94。在此基础上，研究逐步由“是否存在损伤”转向“损伤程度如何表征”。有研究以OCT测得的视网膜神经纤维层厚度为客观参照，训练模型从CFP中定量评估青光眼性结构损害程度，结果显示二维眼底图像中仍包含可用于推断深层结构损伤的重要信息。
 

目前，研究重点进一步发展至发病与进展预警。我国研究人员利用基线CFP构建深度卷积神经网络模型，提取视盘及其周围结构中的前瞻性风险信号，识别出易发生结构恶化或功能损害的高危个体，并对未来3-5年发病及进展风险进行分层。随着OCT在青光眼中的广泛应用，AI分析进一步聚焦于RNFL及黄斑OCT结构参数的精确定量。相关研究表明，基于纵向OCT数据的深度学习模型可检测RNFL结构性进展并评估青光眼进展风险。此外，OCT结构参数与视野功能损害之间存在密切关联，基于OCT结构指标可预测中晚期青光眼患者未来视野进展。
 

出自《AI赋能的眼病精准诊断与再生治疗新进展》作者高娜，代伟，瞿佳。