用于高度近视眼青光眼检测的人工智能：综述

《Neurocomputing》：Artificial Intelligence for Glaucoma Detection in Highly Myopic Eyes: A Review

　　

• •
  人工智能应对高度近视与青光眼表型重叠所带来的诊断挑战。
• •
  深度学习可提取超越传统二维平面指标的三维结构特征。
• •
  以黄斑为重点的策略可绕开高度近视中视盘周围解剖结构的变形。
• •
  分层特异性OCTA可区分青光眼性微血管丢失与近视性微血管丢失。
• •
  多模态融合与跨模态预测提升了实际筛查的准确性。

章节摘要

病理机制的广泛重叠

高度近视（HM）与青光眼并非仅仅是共病关系；二者可能共享共同的致病通路，导致高度重叠的组织损伤模式[4]。这种复杂的相互作用主要源于三个相互关联的因素：遗传易感性、生物力学重塑和血流动力学障碍（图1）。

从遗传角度来看，孟德尔随机化研究已表明近视与原发性开角型青光眼（POAG）之间存在双向因果关联[5]。多变量基因组

人工智能在眼科成像中的方法学基础

机器学习（ML）是人工智能的核心分支之一，依赖"手动特征工程"，即研究人员基于领域知识进行特征设计和提取[36]。然而，如前所述，在高度近视眼中，传统临床特征——如C/D比值、ISNT规则和标准RNFL厚度——因解剖变异而失去可靠性，从根本上限制了传统机器学习模型的性能和泛化能力。

深度学习的出现提供了一种新方法

眼底摄影与深度学习

作为最广泛可用的眼科成像方式之一，眼底摄影是人工智能辅助筛查中应用最广泛的模态之一。然而，高度近视眼的复杂解剖结构给自动化分析带来了巨大挑战。本部分追溯了深度学习模型从基础端到端分类，到针对近视的架构和训练优化，再到能够应对多项临床任务的多任务学习模型的演进历程。

OCT与深度学习

OCT是青光眼结构评估中定量精度最高的成像方式之一，但其常规参数在近视眼中的诊断可靠性大幅降低。本部分探讨了人工智能如何通过三种主要策略应对这一挑战：绕过传统汇总参数进行直接三维容积分析、对近视引起的测量偏差进行智能校正，以及分析策略的战略性转移——从视盘周

OCTA与深度学习

基于上述结构成像方式，OCTA为区分近视眼中的青光眼提供了互补的微血管信息。然而，近视和青光眼对微血管的影响存在相当大的重叠，导致传统参数的解释具有固有的模糊性。本部分回顾了深度学习——尤其是视觉Transformer和注意力机制——如何从原始血管造影图像中提取复杂的微血管特征。

多模态融合与深度学习

前面三个部分分别从眼底摄影、OCT和OCTA的角度探讨了单模态人工智能诊断的进展与局限。本部分转向多模态融合，对现有融合架构进行分类，通过消融实验证据评估特征级融合所带来的诊断增益，并探讨如何利用多模态基线数据进行纵向进展预测。

数据层面的挑战

缺乏统一的诊断标准共识是人工智能发展的主要障碍。如前所述，高度近视合并青光眼（HMG）的统一金标准仍缺失[14]、[23]、[78]、[85]、[86]、[87]。这种不确定性直接影响人工智能研究：不同研究采用不同的标注标准（例如神经视网膜缘形态、黄斑纹理），导致模型训练和评估中存在系统性偏差。未来研究应建立关于青光眼诊断的专家共识

总结与展望

本综述系统考察了人工智能如何跨四种成像方式——眼底摄影、OCT、OCTA和多模态融合——应对近视眼中青光眼诊断这一复杂临床挑战。总体而言，这些进展展示了克服传统诊断局限的巨大潜力。

然而，将这些进展转化为临床实践面临需要多领域协同努力的系统性挑战。在数据层面，

CRediT作者贡献声明

邢垚：审稿与编辑。吴美姝：审稿与编辑、撰写初稿、资源支持、项目管理、方法论、调查研究、形式化分析、概念构思。吴宏跃：调查研究。周悦华：审稿与编辑、方法论、概念构思。王明燕：审稿与编辑。

利益冲突声明

作者声明不存在已知的竞争性经济利益或个人关系，这些关系可能影响本文所述工作的完成。

吴美姝是成都中医药大学（中国）中西医结合专业的博士研究生。她的研究聚焦于近视的预防与控制。

吴美姝|邢垚|吴宏跃|王明燕|周悦华