基于深度学习预测视网膜神经纤维层厚度：评估其在原发性开角型青光眼风险预测中的价值

来自多中心的研究团队通过深度学习模型(M2M)，利用眼高压治疗研究(OHTS)的视盘照片预测视网膜神经纤维层(RNFL)厚度。研究发现基线预测RNFL厚度（94.1 vs 97.1 μm，P<0.001）及其纵向变化率（HR=6.01）是原发性开角型青光眼(POAG)转化的独立预测因子，为青光眼风险评估提供了新工具。

　　

这项突破性研究将人工智能技术与眼科临床需求完美结合。科研人员训练了一个能从视盘照片"读懂"视网膜秘密的深度学习模型(M2M)，就像给普通照片装上了光学相干断层扫描(OCT)的"透视眼"。通过分析眼高压治疗研究(OHTS)中1636名患者累计66714张视盘照片，模型成功预测出视网膜神经纤维层(RNFL)厚度——这个被称为"青光眼预警雷达"的关键指标。

令人振奋的是，预测结果显示：最终发展为原发性开角型青光眼(POAG)的患者，其基线RNFL厚度比未转化者平均薄3μm（P<0.001）。更厉害的是，模型捕捉到的RNFL变薄速度每加快1μm/年，青光眼发生风险就飙升6倍！这些发现让临床医生有了新武器：既可通过单次视盘照片评估青光眼风险，又能像追踪"视网膜年轮"般监测病情进展。

这项研究为眼高压患者的精准管理开辟了新路径，证明普通视盘照片经过AI解码后，竟能变身堪比昂贵OCT检查的"青光眼预警系统"。未来，这种经济高效的技术或将成为基层医疗机构的"青光眼守门人"。