编辑推荐：
青光眼进展隐匿且早期症状易被忽视，预测其进展对临床干预至关重要。现有多模态预测研究常忽视数据质量不确定性。研究人员提出基于可信多视图学习的 GPPM 模型，利用 GRAPE 数据集验证显示其预测性能优于基线模型，为临床诊断提供新工具。
青光眼作为全球首要不可逆致盲性眼病，其进展过程往往悄无声息，早期症状极易被忽视。临床中，患者个体间的病情进展差异显著，仅依赖单一模态的检查数据（如视觉场测试 VFT 或彩色眼底摄影 CFP）进行预测，容易因结构与功能变化的不同步性导致结果偏差。此外，传统多模态融合方法（如特征级拼接或固定权重决策融合）未充分考虑数据质量的不确定性，当某类数据（如因设备故障或眼部疾病导致模糊的 CFP 图像）可靠性较低时，会显著影响预测准确性。因此，如何整合多模态信息并动态评估数据质量，成为提升青光眼进展预测可靠性的关键科学问题。
为解决上述难题，国内研究团队开展了一项针对青光眼进展预测的创新性研究。研究人员提出一种基于可信多视图学习的青光眼进展预测模型（GPPM），通过融合 VFT（反映功能性视野缺损）与 CFP（反映结构性眼底改变）的多模态数据，结合不确定性建模，实现对青光眼进展的精准预测。该研究成果发表在《Expert Systems with Applications》，为青光眼的临床管理提供了新的技术路径。
研究主要采用以下关键技术方法：
- 证据深度学习（EDL）：用于建模 VFT 和 CFP 数据质量波动引起的预测不确定性，估计各模态的置信度和不确定性分布。
- 基于 Dempster-Shafer 证据理论（DST）的动态决策融合：根据数据可靠性动态调整多模态贡献权重，抑制低质量数据的干扰。
- 权重多任务学习策略：针对 CFP 与 VFT 在反映青光眼功能恶化方面的信息差异，优化结构与功能信息的整合。
- 类平衡损失约束：在 EDL 框架内缓解患者群体中进展与非进展类别的数据不平衡问题。
研究数据来源于公开的 GRAPE 数据集，样本按 PLR2、PLR3 和 MD 等青光眼进展标准分为 “进展” 与 “稳定” 两类。
研究结果
模型性能验证
通过对比多种基线模型与进展标准，GPPM 展现出优越性能。在联合进展标准下，其预测准确率达 0.888，特异性 0.956，AUC 为 0.849，显著优于传统融合方法。结果表明，动态权重调整策略有效提升了预测稳定性，而不确定性建模则增强了结果的可信度。
模态不确定性差异
实验发现，CFP 相关的预测不确定性显著高于 VFT。这可能与 CFP 图像易受拍摄条件、眼部其他病变等因素干扰有关，提示临床应用中需对 CFP 数据质量进行更严格评估。
多模态融合优势
与单一模态预测相比，GPPM 通过整合 VFT 与 CFP 的异质信息，弥补了结构 - 功能变化不同步的缺陷。结果显示，多模态融合使预测准确率提升约 10%-15%，验证了综合分析的必要性。
研究结论与讨论
本研究提出的 GPPM 模型通过可信多视图学习框架，首次将数据质量不确定性纳入青光眼进展预测体系。其核心创新在于：①利用 EDL 量化模态不确定性，为临床决策提供置信度参考；②基于 DST 的动态融合机制，实现对多源数据的自适应加权，避免传统固定权重方法的局限性；③通过类平衡损失优化，提升了模型对少数进展类别的检测能力。
实验结果表明，GPPM 不仅显著提高了预测准确性（如联合标准下 AUC 达 0.849），还通过不确定性估计增强了结果的可解释性，为医生判断预测可靠性提供了科学依据。此外，研究揭示的 CFP 模态高不确定性特征，对临床数据采集规范的制定具有指导意义。
该研究为青光眼的早期干预与个性化治疗提供了新工具，其多模态融合与不确定性建模思路可推广至其他复杂疾病（如糖尿病视网膜病变、阿尔茨海默病）的预测研究。未来若结合更多模态（如光学相干断层扫描 OCT）或纵向时序数据，有望进一步提升模型性能。
