STAGE挑战赛：用OCT图像预测青光眼视野指标
摘要
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。
信息来源： PubMed Ophthalmology 发布于 2026年7月1日
要点速览
- 研究发布了首个用于结构-功能映射的标准化青光眼数据集，含401例OCT体积数据及对应视野标签。
- 七支决赛团队均采用双分支架构融合OCT图像与人口学等表格数据，任务特化OCT模型性能最优。
- STAGE挑战赛建立了该任务的首个大型、标准化基准，支持算法系统性评估与后续研究。
本站解读
这项研究的核心发现是：仅靠OCT结构图像，AI模型就能较可靠地预测青光眼患者的视野功能指标，比如平均缺损值——这打破了以往必须依赖耗时、主观性强的视野检查才能评估功能损害的传统路径。研究基于401例配对数据，样本量在同类方法学研究中属中等偏上，但尚未达到临床验证所需的千例级前瞻性队列标准；其设计为回顾性算法竞赛，非真实世界干预试验，因此离临床落地还有距离。
短期内它不会改变医生开单习惯，因为模型尚未嵌入诊疗流程、未通过监管审批、也未证明能提升患者结局。真正影响临床可能要等到未来3–5年，当这类模型在多中心真实场景中验证有效，并集成进OCT设备或电子病历系统后。国内情况有待确认。
普通人无需因此改变日常行为，也不必主动要求做额外OCT检查。青光眼筛查和随访仍应遵循现有指南，如有疑虑可咨询眼科医生。
常见问题
AI能用眼底扫描图直接看出我的视力有没有变差吗？
目前还不能直接替代视野检查，但这项研究证明AI可以从OCT图像（不是普通眼底照相）中预测部分视野指标，比如平均缺损值。这属于实验室阶段成果，尚未用于临床诊断。它不改变当前检查方式，也不代表AI已能独立判断你的视力变化。如有疑虑可咨询眼科医生。
以后查青光眼是不是不用再盯着屏幕做视野测试了？
短期内不会。视野检查仍是金标准，OCT预测模型还在研究验证阶段，未获批准用于替代功能评估。该技术若未来成熟，可能辅助医生更快解读病情，但无法完全取消视野检查。是否简化流程取决于后续临床验证结果和监管审批。如有疑虑可咨询眼科医生。
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。
深度学习模型可用OCT数据预测青光眼视野平均缺损值
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。
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）。