基于混合无监督方法的中心视野缺损表征优化研究

为解决中心视野(VF)缺损表征难题，来自5家医院的研究团队创新性地结合原型分析(AA)与模糊C均值(FCM)算法，对3328例患者的7927次10-2视野检测数据进行分解。该混合方法成功识别10种特征性模式，在预测平均偏差(MD)变化时显著优于单一AA方法（均方误差降低，Pearson相关系数提升，P≤0.039），并通过线性混合效应模型揭示下象限及双半视野缺损更易进展（P≤0.026），为青光眼等疾病的视野监测提供更精准的分析工具。

　　

这项突破性研究开创性地将原型分析(Archetypal Analysis, AA)与模糊C均值(Fuzzy C-means, FCM)算法融合，构建出能精准解析中心视野(10-2 VF)缺损特征的混合无监督模型。科研团队从五家医疗机构收集了3328名患者共计7927次视野检测数据，通过这种创新算法组合，不仅成功提取出10种具有临床意义的特征性视野缺损模式，更实现了视野数据的无损分解。

在性能验证环节，研究团队设计了精巧的对照实验：利用分解系数变化进行监督学习预测平均偏差(Mean Deviation, MD)变化，并建立线性混合效应模型分析MD斜率与基线分解系数的关联。结果令人振奋——FCM增强的混合方法在预测精度上全面碾压传统AA单算法，不仅获得更低的均方误差（P值均≤0.039），其构建的预测模型还展现出更优的拟合度（AIC降低20.31，BIC降低13.33）。

模型进一步揭示关键临床规律：基线视野呈现下象限缺损或双半视野缺损的患者，其中心视野进展速度显著快于其他类型（所有P≤0.026）。这项研究为青光眼等致盲性眼病的视野监控提供了革命性的分析工具，其创新的"AA+FCM"双引擎架构，既保留了原型分析的临床可解释性，又通过模糊聚类提升了预测灵敏度，堪称无监督学习在眼科应用的典范之作。