亮点
- 从视盘照片中通过深度学习预测的视网膜神经纤维层（RNFL）厚度与眼压增高患者发展为原发性开角型青光眼（POAG）的风险相关。
- 基于OCT数据训练的机器对机器（M2M）模型能够准确地从眼底图像中估计RNFL厚度，避免了对OCT设备的依赖。
- M2M模型识别的基线预测RNFL厚度和纵向变薄率在OHTS队列中独立预测转化为POAG。
- M2M预测的RNFL厚度提供了一种非侵入性的、易于获取的生物标志物，用于青光眼风险分层和进展监测。
研究背景和疾病负担
原发性开角型青光眼（POAG）是全球导致不可逆失明的主要原因之一，其特征是视网膜神经节细胞及其轴突的进行性丧失，临床上表现为视网膜神经纤维层（RNFL）变薄和视神经损伤。早期检测和监测对于预防视力丧失至关重要。眼压增高定义为眼内压（IOP）升高但无明显的青光眼损害，显著增加了发展为POAG的风险。眼压增高治疗研究（OHTS）建立了临床风险因素，但目前青光眼诊断和进展监测通常依赖于光学相干断层扫描（OCT），这在全球范围内不易获得且成本较高。
近年来，深度学习的发展使得可以从常规视盘照片中预测成像生物标志物如RNFL厚度。这种方法可以通过利用现有的照片数据而无需依赖OCT来实现青光眼风险评估的民主化。刘等人的这项研究调查了经过OCT训练的深度学习模型（机器对机器，M2M）从眼压增高患者的视盘照片中预测RNFL厚度的能力，并评估了其对POAG发展的预后价值。
研究设计
这项诊断研究分析了来自OHTS 1和2多中心试验的数据，涉及1636名参与者中的3272只眼睛，这些参与者在入组时有眼压增高但无青光眼。研究期间从1994年2月持续到2008年12月。包括基线视盘照片、人口统计学和临床参数。经过OCT衍生的RNFL厚度训练的M2M深度学习模型从66,714张视盘图像的大数据集中生成预测的RNFL厚度值。
主要结果集中在预测的RNFL厚度与转化为POAG的相关性上，使用Cox比例风险模型进行单变量和多变量分析。其他已知的POAG风险因素——年龄、IOP、中央角膜厚度、视野参数和杯盘比——也进行了评估。
关键发现
在分析的1444名参与者中，平均年龄为56.0岁，57.7%为女性。发展为POAG的眼睛基线预测RNFL厚度（94.1 μm）显著低于未转化的眼睛（97.1 μm），平均差异为3.0 μm（95% CI，2.2–3.8；P < .001）。
单变量Cox分析显示，每减少10 μm的预测RNFL厚度，转化为POAG的风险几乎增加一倍（HR 1.97；95% CI 1.60–2.42；P < .001）。在调整其他风险因素后，这种关联仍然显著（HR 1.83；95% CI 1.49–2.25；P < .001）。已知的风险因素如年龄较大、IOP较高、中央角膜厚度较薄、视野模式标准差较差、平均偏差较大和杯盘比较大在两种分析中都是独立的预测因子。
重要的是，模型预测的纵向RNFL变薄率是一个强有力的危险因素：每年预测损失增加1 μm的速度使POAG风险增加六倍（HR 6.01；95% CI 3.33–10.64；P < .001）。
这些发现证实，基线和动态变化的M2M预测RNFL厚度提供了超出传统临床参数的青光眼发展预后信息。
专家评论
这项研究展示了人工智能在眼科的强大转化应用，采用了一种机器对机器的方法，即通过OCT测量的RNFL厚度训练的深度学习模型从广泛可用的视盘照片中生成替代定量生物标志物。
其优势在于可访问性——视盘照片是一种常规、低成本且便携的成像方式，特别是在缺乏OCT基础设施的环境中尤为有价值。从这些照片中预测RNFL厚度可以在不依赖专业设备的情况下辅助风险分层和监测进展。
然而，必须考虑一些局限性。研究队列包括来自一个经过良好表征的临床试验的患者，具有严格的随访；将其推广到不同的人群和现实世界的临床环境需要进一步验证。此外，不同设备和操作员之间的图像质量和变异可能会影响深度学习模型的性能。该研究重点关注眼压增高的眼睛，因此其在其他青光眼亚型中的效用仍有待确定。
尽管存在这些问题，这种方法符合当前将AI算法整合到常规临床工作流程的趋势，有助于早期青光眼诊断和个性化管理。
结论
刘等人的研究有力地证明了经过OCT训练的深度学习模型可以准确地从眼压增高眼睛的视盘照片中预测RNFL厚度，并且这些预测独立预测转化为原发性开角型青光眼的风险。
基线预测RNFL厚度及其下降率是有意义的生物标志物，补充了现有的临床风险因素，提供了一种非侵入性的、广泛可用的方法，用于青光眼风险评估和进展监测。这些发现扩展了AI驱动的成像分析在改善青光眼护理中的临床决策和患者结局的潜力。
未来的研究应集中在更广泛人群的前瞻性验证和集成到临床实践平台中，以实现实时决策支持。这一创新代表了使用人工智能进行更易访问、高效和定量的眼科风险分层的范式转变。