深度学习预测视网膜神经纤维层变薄与青光眼发病风险
摘要
该研究基于加拿大老龄化纵向研究，通过机器对机器（M2M）模型分析了18,247名参与者（30,202只眼睛）的基线和随访数据，评估了视网膜神经纤维层（RNFL）厚度变化及其与青光眼发病的关系。结果显示，青光眼患者的眼睛RNFL变薄速度显著快于非青光眼患者（-0.46 ± 2.28 μm/年 vs -0.18 ± 2.07 μm/年；P < 0.001）。多变量分析表明，年龄较大、基线眼内压较高、角膜滞后较低以及基线RNFL较厚均与更快的RNFL变薄相关。在无基线疾病的17,552名参与者中，有344人（1.9%）发展为青光眼。预测的RNFL变薄速度与青光眼发病独立相关（HR = 1.125 per 1 μm/year increase, 95% CI 1.070-1.183, P < 0.001）。这些发现突显了基于眼底照片的深度学习模型在青光眼风险分层中的潜力。
信息来源： PubMed Ophthalmology 发布于 2026年3月18日
要点速览
- 青光眼患者的眼睛RNFL变薄速度显著快于非青光眼患者
- 基于眼底照片的深度学习模型能有效预测RNFL变薄速度
- 预测的RNFL变薄速度与青光眼发病独立相关
本站解读
这项研究揭示了深度学习技术在眼科领域的应用前景，特别是在青光眼早期诊断和风险评估方面。传统的光学相干断层扫描（OCT）虽然精确，但在资源有限或偏远地区难以普及。基于眼底照片的深度学习模型提供了一种替代方案，能够有效预测RNFL变薄速度，并与青光眼发病风险相关联。这不仅降低了设备成本，还提高了筛查效率。
从行业趋势来看，这一技术路线的变迁预示着人工智能在眼科诊疗中的广泛应用。国内外多家企业已经在研发类似的人工智能辅助诊断工具，如谷歌的DeepMind Health和中国的鹰瞳科技。这些企业的竞争将推动技术进步，但同时也可能引发数据隐私和伦理问题。随着技术的成熟，未来需要密切留意的是监管政策的变化，以及如何确保算法的透明度和可解释性。
常见问题
这个研究对我有什么帮助？
这项研究展示了基于眼底照片的深度学习模型可以有效预测视网膜神经纤维层变薄速度，有助于早期发现青光眼的风险。如有疑虑可咨询眼科医生。
这种技术什么时候能普及？
目前，基于眼底照片的深度学习模型正在不断优化和验证中。预计在未来几年内，随着技术的成熟和监管政策的支持，这种技术将逐步普及。
延伸阅读
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）。
超声弹性成像揭示视盘周围巩膜与筛板的剪切应变关联
研究团队对22例人眼捐献眼球进行15–30 mmHg眼内压梯度充气测试，采用三维高频超声弹性成像结合斑点追踪算法，量化视盘周围巩膜（PPS）和筛板（LC）全层形变。结果显示PPS与LC的剪切应变高度相关（r > 0.6，P < 0.01），且PPS曲率半径、厚度及LC深度、厚度等形态参数均与各自或对方的剪切应变存在显著统计关联。该研究首次在完整人眼标本中实验证实PPS-LC生物力学耦合以剪切变形为主导。
本地医疗大模型精准识别青光眼风险因素
研究团队使用MedGemma-27B-text-it本地医疗大模型，分析2014至2024年间1250例青光眼相关临床记录，评估其识别用药依从性差、随访失约及家族史的能力。结果显示，模型在识别用药非依从性（准确率0.91）、随访非依从性（准确率0.96）和家族史（准确率0.98，Jaccard指数0.99）方面远超结构化电子病历字段（家族史准确率仅0.49）。研究证实本地化大模型可高效挖掘自由文本中的隐性风险信息。