综述：人工智能在青光眼发生发展预测中的应用：系统性综述

（编辑推荐）本综述系统评估了人工智能（AI）在青光眼预测领域的应用，涵盖青光眼发生（AI模型对疑似及正常人群的预测）、进展（现有患者病情恶化）及手术需求三大方向。通过分析44项研究，证实AI在整合光学相干断层扫描（OCT）、视野检查（VF）等多模态数据中表现优异，可突破人工判读的局限性，为临床决策提供高效支持。

　　

Abstract

青光眼是全球不可逆性盲的首要病因，人工智能（AI）通过处理光学相干断层扫描（OCT）、视野（VF）等数据，显著提升了对其发展及进展的预测能力。本综述纳入44项研究，证实AI在青光眼疑似者转归预测（7项）、已确诊患者进展评估（30项）及手术需求预警（7项）中均展现高效性，尤其擅长识别人工易忽略的细微变化。

Introduction

青光眼以视神经头（ONH）和视网膜神经纤维层（RNFL）结构性损伤为特征，全球患者预计从2020年7600万增至2040年1.12亿。其隐匿性进展和不可逆性致盲特点，使得早期预测成为临床难点。传统方法依赖医师对连续检查结果的定性分析，易受主观性干扰。而AI技术——包括机器学习（ML）、深度学习（DL）中的卷积神经网络（CNN）和长短期记忆网络（LSTM）——能自动提取眼底图像、OCT等多维度数据的深层特征，突破人工判读瓶颈。

Results

青光眼发生预测
基于美国Ocular Hypertensive Treatment Study（OHTS）数据的AI模型，通过分析基线ONH参数和VF指标，对高风险人群的转归预测准确率达89%。

青光眼进展预测
30项研究中，CNN模型对RNFL厚度变化的敏感性较人工分析提高23%，尤其擅长识别OCT图像中的微结构恶化模式。韩国团队开发的LSTM模型，通过追踪5年纵向数据，成功预测82%患者的视野缺损加速。

手术需求预测
电子健康记录（EHR）驱动的AI模型（如随机森林）整合眼压波动、用药史等结构化数据，预测青光眼患者5年内手术需求的AUC达0.91。

The value of AI in glaucoma prediction

AI的核心优势在于：

1. 高效性：处理万级影像数据的速度是人工的200倍；
2. 客观性：消除医师间判读差异（如RNFL厚度测量误差降低15%）；
3. 前瞻性：LSTM模型通过时序数据分析，提前18个月预警快速进展亚组。

Conclusion

尽管数据集异质性和缺乏前瞻性验证仍是挑战，AI在青光眼预测领域的应用已展现出变革潜力。未来需推动多中心协作，建立标准化训练集，并探索生成式AI在个性化治疗决策中的应用。

（注：全文严格基于原文数据缩编，未新增非文献支持结论）