基于多模态深度学习系统的青光眼视野预测：从眼底图像与临床文本到纵向功能评估

本研究针对青光眼视野检查(VF)耗时且依赖患者配合的问题，开发了多模态纵向估计深度学习系统(MLEDL)，通过眼底彩照(CFPs)和临床文本预测当前及未来视野。系统在1598例横断面和3278例纵向数据中验证，点平均绝对误差(MAE)为3.098-4.131 dB，热图揭示了眼底损伤与视野缺损的空间关联。该成果为资源有限地区提供了便捷的视觉功能评估工具，发表于《npj Digital Medicine》，显著提升了青光眼长期管理的临床效率。

　　

青光眼作为全球不可逆致盲的首要病因，其管理核心在于早期发现和持续监测视野(VF)损伤。然而，标准自动视野检查(SAP)存在明显痛点：耗时长达20分钟、依赖患者主观配合、结果存在测试-再测试变异性。相比之下，眼底彩照(CFP)检查仅需数秒且客观性强，但传统方法无法直接从结构图像推断功能损伤。这一矛盾在基层医疗机构尤为突出——当光学相干断层扫描(OCT)和视野计不可用时，如何通过易获取的CFP和门诊病历实现精准的视觉功能评估？

浙江大学附属第二医院的研究团队在《npj Digital Medicine》发表了一项突破性研究，开发了名为MLEDL的多模态纵向深度学习系统。该系统创新性地融合眼底图像与临床文本数据，不仅能预测当前视野敏感度，还可推算未来随访期的视野变化。研究团队收集了1598例横断面和3278例纵向随访记录，通过5种预测模型验证，最终在外部测试集上实现点平均绝对误差(MAE)低至3.098 dB的精准预测。热图分析首次直观展示了视网膜神经纤维层(RNFL)损伤与对应视野缺损的空间映射关系，为青光眼结构-功能关联提供了可视化证据。

关键技术方法
研究采用三阶段技术路线：1) 数据预处理阶段从浙江大学和北京大学第三医院获取CFP、VF、眼压(IOP)等数据，裁剪视乳头区域(ROI)并标注视杯(OC)/视盘(OD)边界；2) 模型构建阶段开发了基础估计模型(EDL)、多模态模型(MEDL)和纵向模型(LEDL)，其中MEDL整合了年龄、性别等31维临床特征，LEDL引入时间间隔预测未来VF；3) 验证阶段通过Bland-Altman分析和两种临床分级方法(HPA/Voronoi)评估预测可靠性。

主要研究结果

Study design
研究设计涵盖横断面与纵向双队列，外部验证集来自北京大学第三医院。创新性地将VF转换为Voronoi图像，并通过热图实现结构-功能关系的可解释性分析。

Demographic and clinical data
数据集包含1129只眼（633例患者），以开角型青光眼(OAG)为主（73.7%）。外部验证集患者年龄更大（中位数64.5岁），平均偏差(MD)更低（-6.95 dB），体现更严重病情。

The global index estimation
ROI模型预测平均敏感度(MS)表现最佳（R²=0.773），融合临床信息的MEDL进一步提升至R²=0.834。纵向预测模型(LEDL)误差最低（MAE=1.666 dB），Bland-Altman分析显示ICC达0.918。

Pointwise VF values estimation
鼻侧视野（尤其上方）预测误差最大（4.4 dB），颞下区域最准（2.4 dB）。临床信息的引入使鼻侧误差降低幅度达27%。

Heatmaps and structure-function relationship
热图按Octopus视野计10分区排列，证实上方视野缺损与视盘下方RNFL损伤的解剖对应关系，与既往研究提出的RGC轴突走向规律一致。

Clinical grading validation
HPA分级法显示预测VF与真实VF在严重程度判断上一致性达83%，但对中度青光眼（MD=-6~-12 dB）判别准确率仅56%，提示模型对中等损伤敏感度待提升。

结论与意义
该研究首次实现基于CFP和门诊文本的青光眼视野纵向预测，其临床价值体现在三方面：1) 为缺乏视野计的基层机构提供替代方案，2) 通过预测未来视野变化辅助随访决策，3) 热图技术为结构-功能关系研究提供新范式。局限性在于外部验证集性能下降（R²降低0.3）和中度病例判别不足，未来需扩大多中心数据训练。这项技术将青光眼管理从"被动监测"转变为"主动预测"，为数字化医疗在慢性眼病中的应用树立了新标杆。