编辑推荐：
青光眼是全球第二大致盲眼病，早期诊断对预防视力不可逆损伤至关重要。研究人员针对高度近视人群早期青光眼诊断难题，开展了基于深度学习的研究。他们整合光学相干断层扫描（OCT）厚度图与标准自动视野计（SAP）、脉冲视野计（PP）功能信息，结果显示所提系统诊断性能出色，为早期青光眼诊断提供新方案。
青光眼，这个隐匿的视力 “杀手”，正悄然威胁着全球无数人的视觉健康。作为全球第二大致盲眼病，它如同潜伏在黑暗中的敌人，在早期常常毫无征兆，等到患者察觉到视力受损时，往往已经造成了不可逆的伤害。流行病学数据显示，全球 40 - 80 岁人群中，青光眼患病率达 3.54%，预计到 2040 年，患者数量将飙升至 1.118 亿，亚洲和非洲地区受影响最为严重。
目前，早期青光眼的诊断面临着诸多挑战。一方面，青光眼早期的关键临床指标，如眼压升高、视野缺损和视网膜结构改变，都非常细微，甚至可能完全没有表现，这使得诊断变得极为困难。另一方面，在高度近视患者中，其临床特征与青光眼损伤极为相似，这进一步增加了误诊的风险。在实际临床操作中，早期青光眼的诊断主要依赖眼科医生综合多项检查结果进行判断，然而这种主观的评估方式容易导致诊断结果不一致。
为了解决这些难题，来自国立台湾大学的研究人员开展了一项极具意义的研究。他们提出了一种基于深度学习的端到端早期青光眼检测框架，旨在为可能患有高度近视的人群提供更准确的早期青光眼诊断方法。该研究成果发表在《Scientific Reports》上，为青光眼诊断领域带来了新的曙光。
研究人员采用了多种关键技术方法。首先，在数据获取上，他们收集了 394 例病例，包括 198 例早期青光眼患者和 196 例非青光眼受试者，这些数据来自天主教耕莘医院永和分院眼科。其次，在技术手段上，通过 View - Ensemble GCC Layer Segmentation（VE - GCCLS）算法对三维视网膜 OCT 图像中的黄斑 GCC 层进行分割，利用最短距离法生成厚度图；然后，运用 Omni - thickness Map - based Early Glaucoma Analysis Network（OMEGA - Net）深度学习分类器，将 OCT 厚度图和视野（VF）参数相结合，进行早期青光眼的检测。
在 3D OCT GCC 层分割性能分析方面，研究人员利用 Dice 系数和 Hausdorff 距离评估 VE - GCCLS 算法的分割效果。经过 5 次 10 折交叉验证，该算法的 Dice 系数达到 0.985 ± 0.008，Hausdorff 距离为 5.85 ± 2.17μm，显著优于 GCCLS - Net 和 Dilated Residual U - Net（DRUNET）。这表明 VE - GCCLS 算法能更精准地划分黄斑 GCC 层边界，有效减少切片分割带来的不连续性。
早期青光眼检测性能分析上，研究人员进行了两项消融研究。第一项研究评估不同 VF 参数组合对检测效果的影响，结果显示 OMEGA - Net 在所有评估指标中表现最佳，其准确率、灵敏度、特异性和 AUC 分别为 84.3 ± 0.7%、82.9 ± 1.5%、85.6 ± 2.1% 和 0.887 ± 0.006 。在单个 VF 参数中，PP - MD 对提高预测性能最为有效，其次是 SAP - MD。第二项研究将 OMEGA - Net 与仅使用 OCT 厚度图或 VF 信息的传统方法进行比较，结果表明 OMEGA - Net 在所有性能指标上均显著优于这些传统方法。这充分证明了整合 OCT 厚度图和 VF 参数的结构和功能信息，能显著提高早期青光眼的检测性能。
研究还发现，高度近视会对早期青光眼检测产生影响。所有模型在高度近视受试者中均表现出灵敏度增加、特异性降低的趋势。不过，OMEGA - Net 在纳入 SAP 和 PP 参数后，依然能保持高效的诊断能力，这进一步凸显了 SAP 和 PP 在减轻高度近视对机器学习预测能力负面影响方面的重要作用。
在结论和讨论部分，该研究提出的基于深度学习的端到端 CAD 系统，通过整合 OCT 厚度图的结构信息和 SAP、PP 的 VF 参数功能信息，展现出卓越的早期青光眼检测能力。OMEGA - Net 在各项指标上均优于其他模型，有力地证明了多模态信息融合的优势。然而，研究也存在一定局限性，如样本数量有限、受试者检查设备单一、对比方法未充分发挥潜力以及高度近视样本不均衡等问题。尽管如此，这项研究为早期青光眼合并高度近视的诊断提供了新的思路和方法，未来还需要更大规模、更多样化的研究来进一步验证其有效性，有望推动青光眼早期诊断技术的发展，为更多患者带来光明的希望。
