自动眼底摄影揭示：视网膜血管特征可预测原发性开角型青光眼的视野进展

要点

本研究表明，利用自动深度学习系统从基线眼底照片中提取的定量视网膜血管参数，与原发性开角型青光眼（primary open-angle glaucoma，POAG）及青光眼可疑眼的纵向视野（visual field，VF）进展显著相关。具体而言，更高的静脉和动脉分形维数以及更大的动脉迂曲度，与平均约10年的随访期间更缓慢的VF下降相关。上述结果支持将视网膜血管测量学作为一种无创预后工具，用于青光眼进展风险分层。

研究背景

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，其特征为进行性视神经病变和视野丧失。及早识别进展速度较快、风险较高的个体，对于及时干预和维持视功能至关重要。尽管眼压（intraocular pressure，IOP）仍是主要可干预危险因素，但血管调节异常和视网膜微循环异常已被认为与青光眼性损害有关。视网膜血管测量学可从眼底照片中量化血管几何特征，可能反映微血管健康状况，从而提供预后信息。深度学习的进展使得自动提取多种血管特征成为可能，包括血管口径、迂曲度、分形维数和分支复杂度，为识别可预测青光眼进展的影像生物标志物提供了机会。

研究设计

这项回顾性队列研究纳入929名参与者的1,595只眼，分为POAG或青光眼可疑眼，要求至少随访2年且至少完成5次视野检查。基线视网膜血管测量学指标通过深度学习流程从眼底照片中自动获得，分析的参数包括长度-直径比、迂曲度、分支特征、分形维数和血管密度。主要终点为视野平均偏差（mean deviation，MD）的纵向变化，平均随访10.3年，每只眼平均获得14.5次视野检查。采用线性混合效应模型评估基线血管测量学特征与随后VF MD进展之间的关联，并对人口学因素和临床协变量进行校正。模型选择通过最大似然估计和赤池信息准则（Akaike information criterion，AIC）比较仅临床变量模型、完整血管测量学模型和简约模型，以识别最具预测性的血管参数。

主要发现

该队列的VF MD平均下降速率为每年-0.15分贝。经校正后，在简约模型中，多项视网膜血管特征与VF进展斜率呈显著相关：

• 静脉分形维数：每增加1个标准差（SD），与VF MD下降减慢0.079 dB/年相关（95% CI，0.034～0.123；P<0.001）。
• 动脉分形维数：每增加1个SD，与VF MD下降减慢0.056 dB/年相关（95% CI，0.025～0.087；P<0.001）。
• 动脉迂曲度：每增加1个SD，与VF MD下降减慢0.032 dB/年相关（95% CI，0.015～0.050；P<0.001）。

这些结果提示，基线时更复杂且更迂曲的视网膜血管结构，与视野恶化风险较低相关。纳入血管测量学参数的模型，相较于仅包含临床变量的模型，预测性能有所提高。值得注意的是，在各项血管特征中，静脉分形维数的效应量最强。经模型筛选后，长度-直径比和分支相关指标未纳入最终预测模型。

专家点评

本研究巧妙地利用常规获取的眼底照片进行自动深度学习分析，提取可量化的血管生物标志物，从而有望改善青光眼风险分层。较高分形维数和更大迂曲度与较慢VF下降之间的关联，可能反映了微血管复杂性及自身调节能力的保留。这些结构性血管特征可作为青光眼眼底视网膜灌注充足性的替代标志。

不过，回顾性队列研究固有的局限性仍然存在，包括潜在选择偏倚以及缺乏外部验证。该队列主要由接受治疗的青光眼患者组成，这可能影响血管与视野之间的关系。此外，不能据此推断因果关系；血管改变可能是青光眼进展的结果，而非驱动因素。仍需在不同人群中开展独立的前瞻性验证，并与其他结构性和功能性生物标志物整合，以明确其临床应用价值。

结论

本研究提供了有力证据，表明从眼底照片中自动提取的基线视网膜血管测量学指标，与POAG及青光眼可疑眼未来的视野进展相关。这些无创血管影像生物标志物有望补充现有预后评估框架，并值得进一步验证。将基于眼底的血管特征纳入青光眼管理算法，最终可能提高个体化风险预测能力，并支持采取靶向治疗策略以保护视功能。

资金支持与 ClinicalTrials.gov

原始研究发表时未注明资金来源或 ClinicalTrials.gov 注册信息。建议读者查阅全文以了解相关披露内容。

参考文献

1. Nishida T, Wang J, Moghimi S, et al. Photography-based Retinal Vasculometry and Visual Field Progression in Primary Open Angle Glaucoma. Am J Ophthalmol. 2026 Sep 18. PMID: 42759754.
2. Flammer J, Orgul S, Costa VP, et al. The impact of ocular blood flow in glaucoma. Prog Retin Eye Res. 2002 Mar;21(4):359-93.
3. Garway-Heath DF, Crabb DP. Visual field loss and retinal vascular calibre in glaucoma: a review. Br J Ophthalmol. 2014 May;98(5):495-6.
4. Chen CL, Hu CM, Lin WC, et al. Fractal analysis of retinal vasculature and risk of glaucoma in a population-based study. Sci Rep. 2020;10(1):14852.
5. Latha S, Kumar M, Mohan A, et al. Retinal vascular changes in glaucoma: a review of vascular parameters and their clinical relevance. Eye Vis (Lond). 2021;8(1):7.