中山大学中山眼科中心教授张秀兰团队成功研发用AI智能预测青光眼发病与进展。该研究主要分为两个部分：青光眼发病预测和进展预测。相关研究6月1日发表于Journal of Clinical Investigation。

发病预测（incidence prediction）指基于基线眼底彩照评估3-5年后受试者转为青光眼性视神经病变的风险。首先进行眼底彩照阅片，同一张图片的标签由三位医生投票决定，分为青光眼和非青光眼。阅片时图片时间顺序随机打乱。然后综合分析同一只眼的随访数据，分为两类：第一类为基线非青光眼而后续随访变为青光眼（阳性样本）；第二类为基线非青光眼且后续随访一直保持非青光眼（阴性样本）。

基于上述数据，研究团队开发发病预测模型，基于基线眼底彩照预测未来发生青光眼的概率。发病预测模型由分割模块（Unet）与预测模块（ResNet）两部分组成，基于10357只眼（112个阳性样本、10246个阴性样本）的数据进行训练。在包含1674只眼的两个外部队列中进行验证，取得了0.89和0.88的AUC值。

进展预测（progression prediction）指基于基线眼底彩照评估青光眼患者在未来3-5年发生视野进展的风险。该部分研究受试者均接受眼底彩照和视野配对检查。首先进行视野阅片，同一只眼的纵向视野报告由三位医生分别阅片，分为有视野进展（阳性样本）和无视野进展两组（阴性样本）。

基于上述数据，研究团队开发进展预测模型，基于基线眼底彩照预测未来发生青光眼进展的概率。进展预测模型同样由分割模块（Unet）与预测模块（ResNet）两部分组成，基于3003只眼（327个阳性样本、2676个阴性样本）的数据进行训练。在包含850只眼的两个外部队列中进行验证，取得了0.87和0.88的AUC值。

在进一步的可解释性分析中，热图表明人工智能模型预测风险时主要依据视盘边缘和盘沿上、下血管弓区域，与临床医生评估青光眼损伤时的关注点极为相似。该研究首次在大样本纵向眼底彩照数据上实现了基于基线数据的青光眼病情预测。将基线眼底图像输入AI模型，即可得出健康受试者在未来3-5内发展为青光眼或青光眼患者视野进展的风险。

据介绍，该项研究成果有三大亮点：一是，首次实现基于AI的青光眼发病及进展预测，且算法在外部测试集依旧保持出色的预测性能；二是，青光眼发病预测数据来自社区筛查队列，更好地反映青光眼在人群中的分布特征，加强了AI模型的泛华性和可靠性；三是，AI模型成功地从基线眼底彩照中识别出视野恶化的高风险患者，实现了基于结构的功能预测；且AI模型对不同的青光眼亚型，包括POAG和PACG都表现了较高的预测准确性。

据悉，国内23家单位共28个研究者共同参与此项研究。

相关论文信息：https://doi.org/10.1172/JCI157968