深度学习模型可用OCT数据预测青光眼视野平均缺损值
摘要
研究团队利用1200只眼睛（432只为青光眼，768只为正常）同日采集的频域OCT高密度扫描数值与Humphrey视野分析仪30-2程序测得的平均缺损（MD）值，训练八种深度学习模型。结果显示InceptionV3模型表现最佳，平均绝对误差为3.36 dB，决定系数为0.53；在不同MD阈值下的分类任务中，CNN模型对轻、中、重度视野损害均有良好判别能力。
信息来源： PubMed Ophthalmology 发布于 2026年2月25日
要点速览
- 研究基于1200只眼睛（432例青光眼、768例正常）的同日OCT与HFA 30-2数据构建预测模型
- 输入为OCT导出的像素级视网膜厚度数值，未使用图像，直接建模数值关系
- InceptionV3模型在回归任务中实现3.36 dB平均绝对误差和0.53决定系数
本站解读
这项研究说明：仅靠OCT设备导出的视网膜厚度数字表格，就能用深度学习模型较稳定地估算出视野检查的关键指标——平均缺损值，误差控制在3.36 dB以内。虽然这个误差幅度尚不能替代实际视野检查，但已达到辅助判断疾病进展趋势的实用门槛。
研究设计较扎实：1200只眼睛的样本量在同类AI眼科研究中属中上水平，且严格限定为同日完成OCT与视野检查，排除了时间漂移干扰；采用五折交叉验证，降低了过拟合风险。不过，它仍是回顾性单中心数据，未验证跨设备、跨人群泛化能力。
短期内不会改变临床常规流程——医生仍需依赖真实视野结果做诊断和随访决策。但该模型有望嵌入OCT报告系统，为医生提供‘视野风险提示’，尤其在患者因配合困难或资源限制无法完成视野检查时，成为有价值的补充参考。国内情况有待确认。
常见问题
这个AI模型能代替我做视野检查吗？
不能代替。模型预测MD值的平均误差为3.36 dB，而临床判断视野进展通常需关注1–2 dB变化，因此它目前只能作为辅助参考，不能替代真实的视野检查。如有疑虑可咨询眼科医生。
以后查OCT就能知道视野好不好了吗？
目前还不能。该模型处于研究阶段，尚未用于临床报告系统；即使未来集成，也仅能提供MD值的估算，无法反映视野缺损的具体形态、位置或动态变化。真实视野检查仍是金标准。
延伸阅读
用OCT图像和深度学习预测青光眼视野缺损
研究团队基于1640名青光眼患者的OCT视网膜神经纤维层（RNFL）厚度图，使用R2 U-Net、Dense U-Net和Nested U-Net三种深度学习模型预测其视野（VF）检查结果。这是一项回顾性横断面研究，仅分析每位患者左眼数据。结果显示，R2 U-Net在均方误差（MSE）、平均绝对误差（MAE）、结构相似性（SSIM）和峰值信噪比（PSNR）等五项指标上均表现最优，首次证实生成式AI可从结构影像高精度推演功能缺损。
STAGE挑战赛：用OCT图像预测青光眼视野指标
中山眼科中心与HDMI实验室联合发起STAGE挑战赛，旨在建立结构-功能关联模型——从光学相干断层扫描（OCT）图像直接预测青光眼患者的视野检查指标（如平均缺损、敏感度图等）。研究发布含401例OCT体积数据（每例256张横断面图像）及对应视野标签和人口学信息的标准化数据集，并提供统一评估框架。七支决赛团队均采用融合OCT图像与表格数据的双分支架构，其中使用任务特化OCT模型的团队表现最优。
早期青光眼视野进展预测模型比较研究
研究通过模拟早期青光眼患者的视野数据，对比四种预测方法：个体化一阶自回归模型（AR(1)）、普通线性回归（OLR）、群体级长短期记忆网络（LSTM）和朴素基线预测。结果显示，在检查次数较少时（如前6–11次），LSTM误差最低；但随着检查次数增加，尤其在中、快速进展患者中，AR(1)的预测精度反超LSTM。评估指标为RMSE和点均绝对误差（PMAE）。