基于无分割 3D 卷积神经网络模型：从 OCT 图像自动化学习青光眼视野的重大突破

为解决传统视野（VF）测试耗时且易变、现有从光学相干断层扫描（OCT）图像估计 VF 方法存在局限的问题，研究人员开展用无分割 3D 卷积神经网络（3DCNN）模型从 OCT 图像估计青光眼 VF 的研究。结果显示综合训练组（CTG）表现更优，该研究有助于青光眼评估监测。

　　青光眼是全球不可逆失明的主要原因之一，早期发现和治疗对预防视力进行性丧失至关重要。在常规临床实践中，视野（VF）测试是评估青光眼的重要手段，但传统的 VF 测试方法，如视野计检查，既耗时又容易受到患者反应和测试复杂性的影响，导致结果的可变性较大，难以准确评估 VF 损失。同时，从 OCT 图像估计 VF 的传统方法，无论是基于分割的方法还是基于 B 扫描的方法，都存在各自的局限性。基于分割的方法需要手动检查分割错误和分配诊断标签，非常耗时；而基于 B 扫描的方法则可能因独立处理每个切片而忽略视网膜结构的完整三维关系。为了解决这些问题，来自日本多家机构（Minamikoyasu Eye Clinic、Ito Eye Clinic、University of Tsukuba、Shimane University Faculty of Medicine）的研究人员开展了一项研究，旨在评估一种无分割的 3DCNN 模型从 OCT 图像估计青光眼患者 VF 的有效性 。该研究成果发表在《Scientific Reports》上，为青光眼的评估和监测提供了新的思路和方法。

研究人员采用了 10 折交叉验证的方法训练 3DCNN 模型。数据集方面，收集了 2006 年 10 月 1 日至 2023 年 10 月 19 日期间在某大学医院的相关数据，参与者被分为青光眼特定训练组（GTG）和综合训练组（CTG）。GTG 仅使用确诊为青光眼患者的数据，且对数据进行了严格筛选；CTG 则使用医院所有可用病例数据，未进行手动筛选 。图像数据处理上，将 OCT 图像标准化为 224×224×128 的分辨率并归一化，HFA24-2 和 HFA10-2 数据集进行 z-score 归一化，还运用数据增强技术增加数据多样性。模型基于 EfficientNet3D-b0 架构，通过最小化均方误差（MSE）进行训练。

研究结果如下：

1. CTG 与 GTG 估计性能比较：通过对 HFA24-2 和 HFA10-2 的 VF 阈值及平均偏差（MD）估计，发现 CTG 训练的模型在均方根误差（RMSE）和平均绝对误差（MAE）上显著低于 GTG 训练的模型（p<0.001），表明 CTG 训练的模型估计更准确12。
2. CTG 中估计与实际 VF 的相关性：CTG 训练的模型在估计 HFA24-2 和 HFA10-2 的点 wise VF 阈值和 MD 值时，与实际值的相关性良好，Pearson’s r 值分别达到 0.878、0.903、0.911 和 0.944（p<0.001） ，说明模型能较为准确地估计 VF 参数3。
3. VF 严重程度与估计误差的关系：研究发现，随着 VF 严重程度的增加，两个训练组的估计误差都有增大的趋势，但 CTG 的估计误差增长趋势更平缓，且在各个 VF 严重程度水平上，CTG 的估计误差普遍更小。在早期青光眼病例中，两组估计误差差异较小；在中晚期病例中，差异较大45。
4. 估计与实际 MD 值的一致性：通过 Bland-Altman 图评估，发现 CTG 训练的模型在估计 HFA24-2 和 HFA10-2 的 MD 值时，虽然数据点大致分布在平均差异线周围，但存在轻微的比例误差。严重病例中，估计值与实际值的差异会稍大67。
5. 点 wise 性能和 MAE 热图：在 CTG 的 MAE 热图中，HFA24-2 测试点中，盲点鼻上方的 MAE 稍大，盲点颞侧和上眼睑区域误差不高。此外，研究还发现模型在估计鼻侧视野点时表现更好，而在晚期病例中，周边颞侧视野点的估计误差会增加89。

研究结论和讨论部分指出，该研究首次使用包含各种眼部疾病的综合数据集训练 3DCNN 模型来估计 VF，结果表明这种方法比仅使用青光眼病例训练的模型性能更好，这凸显了使用多样化训练数据开发更强大、更具泛化性的深度学习模型的潜在好处。模型在严重青光眼病例中也能保持相对稳定的性能，这可能得益于训练过程中接触到的多样病理模式、3D 体积数据提供的复杂空间关系学习以及训练数据中多种眼部疾病的存在，帮助模型更好地区分青光眼变化与其他病理改变 。然而，研究也存在一定局限性，如单中心研究可能限制了结果的普遍性，无法确定 CTG 性能提升是源于数据量增加还是疾病多样性增加，自动排除上眼睑伪影的方法可能会误排除一些有效的青光眼性上视野缺损。尽管如此，该研究仍为青光眼的评估和监测提供了新的方向，无分割 3DCNN 模型有望在未来临床实践中优化患者护理和资源分配，减少手动数据准备工作，推动青光眼研究的进一步发展。