基于多模态物理信息机器学习框架利用智能手机眼底图像预测视网膜神经纤维层厚度以实现青光眼进展监测的初步可行性研究

《Scientific Reports》：Retinal layer thickness prediction from smartphone fundus imaging for early glaucoma detection

　　摘要青光眼的进展会导致神经节细胞丧失，进而引起视网膜各层变薄。视网膜层厚度是监测青光眼进展的生物标志物。青光眼的检测基于OCT图像中RNFL层的厚度以及眼底图像中视神经的损伤情况。青光眼的持续监测需要这两种筛查方法才能进行有效治疗。然而，OCT设备成本高昂、不可便携、需要专业操作人员，且易受伪影和介质混浊的影响，这降低了其在常规大规模筛查中的适用性，尤其是在资源有限的地区。为弥补这一临床可及性差距，本文提出了一种多模态物理信息机器学习（MPIML）框架。该框架使用Glauco Twin数据集，该数据集同时包含眼底和OCT图像数据特征。从该数据集中，通过眼底图像数据特征预测RNFL层厚度，从而避免了频繁的OCT筛查。在本研究中，采用智能手机拍摄的2D眼底图像来测量RNFL厚度。由于当前队列仅包含23名患者，本工作作为初步可行性研究呈现，旨在证明其技术可行性和临床可行性，而非人群水平的临床有效性。本研究提出了一种多模态物理信息机器学习（MPIML）框架用于测量视网膜层厚度。该框架使用（I）Glauco Twin数据集，该数据集包含针对同一青光眼患者左眼和右眼的分割OCT图像及智能手机眼底图像特征，包括结构、血管和生物力学特征。MPIML框架包含分割修正TransUNet，可对OCT图像进行RNFL和ILM的双层边界分割。修正的SegFormer算法对视盘、视杯、血管和黄斑区域进行分割，以估算间接RNFL测量值。最后，使用MPIML模型将青光眼进展分类为正常、可疑和青光眼。该MPIML框架实现了约94.3%的分类准确率，AUC为0.95，RNFL厚度预测误差在3.1–3.4 μm范围内。在本初步可行性研究中，基于智能手机的眼底图像数据结合MPIML模型可有效预测RNFL厚度，并改善早期青光眼进展的检测，为开展更大规模的多中心验证研究提供了依据。