用OCT图像和深度学习预测青光眼视野缺损
摘要
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。
信息来源： PubMed Ophthalmology 发布于 2026年6月1日
要点速览
- 研究纳入1640名青光眼患者，仅分析其左眼OCT与视野数据，避免双眼相关性干扰
- 采用R2 U-Net、Dense U-Net和Nested U-Net三种生成式AI模型，以RNFL厚度图为输入预测视野图
- R2 U-Net在MSE、MAE、PSNR、SSIM等五项指标上全面领先，是首个用于该任务的高性能生成式AI模型
本站解读
这项研究发现，仅靠OCT扫描得到的视网膜神经纤维层厚度图，就能用R2 U-Net模型较准确地‘画出’患者实际的视野缺损图——不是简单分类‘有无青光眼’，而是生成接近真实视野检查结果的图像。样本量1640例，在AI医学影像研究中属于中等偏上水平，但受限于单中心、回顾性设计，且只用了左眼数据，无法反映双眼动态变化或疾病进展过程。
目前还不能直接改变临床做法。模型预测的是静态视野图，而真实诊疗依赖纵向比较、临床判断和患者症状；OCT和视野检查仍是金标准。该技术更可能先作为辅助工具嵌入报告系统，帮医生快速识别不匹配案例（比如OCT显示轻度损伤但视野已严重缺损），而非替代检查。
普通人无需因此改变任何行为。这不是筛查工具，也不影响日常护眼或随访节奏。如有疑虑可咨询眼科医生。国内情况有待确认。
常见问题
这个AI能代替我做视野检查吗？
不能。该模型只是根据OCT图像预测视野缺损的外观，并非真实测量视觉功能。临床诊断仍需标准视野计检查，因为只有它能反映患者主观感知和微小变化。AI预测结果尚未用于决策，也不能减少或替代现有检查流程。如有疑虑可咨询眼科医生。
以后查青光眼是不是只要做个OCT就行？
不是。OCT和视野检查分别评估结构和功能，二者互补不可替代。本研究只是探索用结构数据‘推测’功能状态，预测精度再高也无法捕捉患者真实视觉体验或早期功能波动。目前所有指南仍要求两者结合随访。如有疑虑可咨询眼科医生。
延伸阅读
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。
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）。