0 引言

       青光眼是一组以视网膜神经节细胞（retinal ganglion cells, RGCs）及其轴突进行性丢失为特征的致盲性眼病。流行病学调查显示，2020年全球青光眼患病人数已经超过7600万，预计到2040年这一数字将超过1.1亿^[1]。大多数青光眼患者在早期无明显症状，直到疾病的中晚期才来就诊，而此时视神经已经遭受了重大的、不可逆转的损害^[2]。因此，青光眼的早期筛查、诊断和预测是至关重要的。目前，青光眼的诊断主要依靠传统眼科检查，而AI可以根据这些检查所提供的数据进行更加客观的解释和分析^[3]。AI具有容量大、处理快、稳定性高和远程共享等优势，与传统的诊断模式相比，AI具有更加高效地识别青光眼损伤的能力^{[4, 5]}。

       AI在医学领域的应用主要包括机器学习（machine learning, ML）和深度学习（deep learning, DL）。ML通过训练数据调整模型参数，以最小化预测误差，使计算机具备学习能力^[6]。DL作为ML的重要分支，采用多层神经网络模拟人脑功能，具有从原始数据中自动学习特征的优势，可通过大数据训练提升泛化能力^{[7, 8, 9]}。其中卷积神经网络（convolutional neural network, CNN）在图像分类和模型识别中表现突出，被证实是最适合成像数据的研究模型^{[10, 11, 12]}。由于眼科很大程度上依赖于图像结果，因此眼科成为AI在医疗领域应用中发展最快的领域之一^{[13, 14, 15]}。本文对近年来AI在青光眼早期筛查、诊断及预测中的应用研究进行总结，以期揭示当前技术的进展与局限，识别未来研究的关键方向，并为临床实践提供有针对性的指导，从而推动青光眼防治策略的优化与创新。

1 AI在青光眼早期筛查中的应用

       眼底照相能够反映视盘形态及杯盘比（cup/disc ratio, C/D），具有诊断价值高和成本低廉的优点，最易在正常人群中开展，因此是青光眼筛查的重要方法^[16]。眼压检查作为青光眼筛查的金标准，也可以作为眼底照相的重要辅助诊断依据。从2015年首次运用眼底图像中的C/D数据进行AI模型训练后，大量研究利用DL模型去检测青光眼性视神经病变（glaucomatous optic neuropathy, GON）。一部分研究是根据眼底图像得到准确的C/D或者直接对识别的图像整体进行分级。如DIAZ-PINTO等^[17]采用五种不同的图像网络DL模型，使用眼底图像让其自主进行青光眼评估，验证它们在自动筛查青光眼系统中的性能。但其采用全微调的迁移学习方法非常耗时，需要进一步优化，于是LI等^[18]开发了一种基于深度残差神经网络的DL方法，使用彩色眼底图像自动检测GON，最后以高准确度、敏感性、特异性和AUC从眼底图像中识别GON，为专家提供了关于青光眼诊断的第二意见。另一部分研究是通过识别眼底图像来预测光学相干断层扫描（optical coherence tomography, OCT）的检测值，比如预测视网膜神经纤维层（retinal nerve fiber layer, RNFL）厚度，从而更准确地识别青光眼病变。XU等^[19]建立了一种基于小样本的分层DL系统，该系统模拟人类专家的诊断思维，能够自动提取眼底图像的解剖特征，实现透明、可解释的诊断，显著提高了眼科医生的诊断准确性。MEDEIROS等^[20]使用大量眼底照相的OCT数据来训练CNN，发现预测的RNFL厚度与实际值有很高的相似性，且DL模型在不同图像质量的多中心外部验证集上都表现出良好的性能，这为GON的诊断和分期提供了定量信息，且有助于监测青光眼随时间的变化。

       尽管现有研究已经在利用AI算法分析眼底照相进行青光眼筛查方面取得了显著进展。然而仍存在诸多挑战，如数据集的多样性与规模不足、模型的可解释性有限以及AI系统在临床实际应用中的整合问题尚未得到充分解决。未来的研究应致力于构建更大规模、多样化的数据库，提升模型的透明度与解释能力，并加强AI系统与临床实践的结合，以进一步提高青光眼早期筛查的准确性和实用性。

2 AI在青光眼早期诊断中的应用

2.1 OCT

       OCT能够进行三维立体成像并测得RNFL厚度，对青光眼的早期检测准确而敏感^[21]。DL模型中OCT数据的输入模式主要有三种。第一种是输入传统OCT检测到的定量参数、厚度图、偏差图等，这是由电脑自动分割生成的。这种方法可以显著减少手动操作时间，快速处理大量图像。LEE等^[22]通过输入RNFL与神经节细胞内丛状层的厚度图与偏差图等四种图像，从中提取特征进行DL分类，发现基于光谱域OCT（spectral domain-OCT, SD-OCT）的DL系统能够以高敏感度和特异度检测青光眼结构变化。但是自动分割的效果高度依赖于输入数据的质量和算法的训练程度，分割不准确会导致后续分析错误。因此第二种模式也变得越来越常见，也就是输入未分割的二维扫描图来进行DL分析。THOMPSON等^[23]开发了一种无分割DL算法，使用来自SD-OCT的整个B-scan图像来评估青光眼损害，该方法在诊断早期和轻度视野受损的青光眼患者方面有较高的准确性。第三种模式是输入未分割的三维扫描图来进行DL分析，这种模式可以提供更全面的视网膜结构信息，增强模型对空间特征的学习能力。RAN等^[24]利用大量的OCT三维扫描图建立了一种DL系统来检测青光眼性视神经病变，且证明了该系统的诊断性能显著高于二维扫描图训练的DL系统。由于分割错误的发生率在OCT扫描中较高，因此在临床上，无分割的方法可能会更稳健。考虑到图像质量可能会影响结果的判读，SHI等^[25]使用DL修正RNFL厚度图中的伪影，提升了青光眼进展分析的准确性。

       光学相干断层扫描血管成像（optical coherence tomography angiography, OCTA）作为一种无创检查，可以分层并量化眼底血流密度（vessel density, VD），用于提示青光眼在血流方面的发病机制^[26]。贾飞等^[27]应用OCTA评价不同分期原发性开角型青光眼（primary open-angle glaucoma, POAG）患者视网膜VD的变化，发现黄斑浅层VD和深层VD可能有助于判断POAG的病情进展。这与最近的一项DL研究结果类似，该研究基于纵向黄斑OCTA图像设计了一个DL模型，且优化的DL模型在检测青光眼的进展方面表现出良好的性能^[28]。此外，BOWD等^[29]还使用不同的DL模型对青光眼和健康对照组的OCT和OCTA图像进行对比分析，结果显示CNN基于OCTA图像的分类效能更好，表明DL OCTA图像分析能有效提升青光眼和健康人的分类准确性。

       评估前房角（angle of anterior chamber, ACA）开放状态对青光眼的分型和诊断非常重要，超声生物显微镜（ultrasound biomicroscopy, UBM）利用高频超声对眼前节组织结构进行检查，具有较好的重复性。王文赛等^[30]基于DL和UBM图像对前房角开闭状态进行自动识别，微调后的模型识别准确率为96.19%，AUC值达到0.997 3，但该研究的样本量较小，模型的泛化能力还需进一步验证。JIANG等^[31]开发了一种DL模型来自动评估ACA及相关参数，使用了来自1538名原发性闭角型青光眼患者的11 006幅UBM图像，模型在各个参数中均表现出与眼科医生相当的高准确性（P>0.05），表明该模型能有效辅助眼科医生在临床研究中评估ACA及相关生物风险因素。但是UBM是接触性的影像学检查方法，检查中存在患者不适、角结膜意外损伤或感染等隐患，因此在临床上不常用作筛查。而节前OCT（anterior segment-OCT, AS-OCT）作为一种非接触性的检查方式，可以提供眼前节高分辨率的断层图像，并进行图像的评估和测量^[32]。LI等^[33]使用DL系统和AS-OCT图像对前房角进行自动分类，该算法在判断房角开放和闭合方面达到了0.999的敏感度和1.000的特异度。同样地，最近的一项国际多中心研究^[34]评估了基于三维DL的自动数字房角镜系统在检测可疑原发性闭角型青光眼（primary angle-closure glaucoma, PACG）患者的窄房角和周边粘连的性能，结果显示DL训练集在区分房角形态和房角粘连方面具有较高的诊断效能。这为未来利用AS-OCT图像非接触式的自动评估房角状态提供了理论基础。

2.2 视野检查

       临床上，常用的自动视野计包括Humphrey视野计和Octopus视野计。视野检查常常被用于评估青光眼的视功能损害，有研究表明，当我们使用自动视野计检测到病变时，可能有30%~50%的RGCs已经受到损害^[35]。青光眼患者视野缺损的进展反映了疾病的控制情况，对于青光眼的监测和随访至关重要。由于视野检查结果的不稳定性，将青光眼性视野改变与正常视野区分开来仍有很大的挑战。1994年，传统ML首次被用于处理视野检查数据，发现AI模型在区分青光眼视野和正常视野方面与专家的正确率基本一致（67.0%）^[36]。随后AI迅速发展，无监督ML、DL等算法也越来越多地被应用于视野损害分类中。LI等^[37]使用CNN来区分青光眼视野和非青光眼视野，发现CNN算法表现出优于人类眼科医生和传统规则的准确率，这是AI算法的一次巨大进步。DIXIT等^[38]认为仅仅使用视野检查数据确定青光眼进展不够全面，因此他们合并纵向视野和临床数据，通过长短期记忆（long short-term memory, LSTM）神经网络来评估青光眼的进展，最后表现出比传统青光眼进展算法更高的准确率。

       多项研究表明，相较于单独使用功能或结构数据来进行AI训练，联合使用功能和结构数据进行AI训练的诊断效果更好^{[39, 40]}。因此，XIONG等^[41]开发了一个基于视野与OCT配对数据输入的新型DL算法，这是世界上首次联合功能（视野）与结构（OCT）的双模态诊断算法，由于视野与OCT的互补性，该算法表现出显著的优越性，AUC达到0.943，能够精准地识别青光眼患者。同年，LI等^[34]开发了一种多模态神经网络FusionNet，使用2463组配对的视野和三维OCT图像进行DL，结果显示，该网络的青光眼诊断准确率不仅优于单模态网络，而且在不同OCT设备获取的数据集上也取得了良好的诊断性能，表现出较好的泛化能力。

       目前的研究在联合眼科功能与结构数据对青光眼进行早期诊断方面取得了显著进展，说明多模态AI模型在提高诊断准确性和泛化能力方面具有重要价值。然而绝大多数研究仍集中于AI对单一眼科影像的分析，缺乏对多维度数据的综合利用。未来的研究应致力于构建多模态的青光眼AI诊疗模型，纳入眼科影像、临床数据及脑影像等多维度特征，以实现更为精准和全面的诊断。

2.3 多模态MRI

       多模态MRI技术是一种无创的检查方法，具有可重复性、低风险性和高准确性的优点^[42]。既往研究表明，青光眼不仅仅是一种单纯的眼病，更是一种中枢神经系统退行性疾病^{[43, 44]}。而MRI检查可以提供关于青光眼患者视神经、大脑结构及功能的丰富数据，有助于揭示青光眼相关的大脑和眼部变化。有研究发现早期青光眼患者上丘浅层对瞬态非彩色刺激的功能MRI（functional MRI, fMRI）反应出现选择性减弱，而皮层下视觉通路从视网膜延伸到上丘、丘脑枕和杏仁核，主要负责处理无意识、粗略和早期的视觉信息^[45]。因此SUN等^[46]认为皮层下视觉通路可能为青光眼的早期诊断提供新途径。QU等^[47]进一步将弥散张量成像（diffusion tensor imaging, DTI）和ML相结合来探索POAG患者视觉通路的白质纤维束改变，发现差异脑区之间连接的平均纤维束数目有潜力作为检测POAG患者白质微结构变化的生物标志物。此外，最近的一项研究^[48]采用支持向量机（support vector machine,SVM）模型基于功能连接（functional connectivity,FC）和功能网络连接（functional network connectivity, FNC）实现PACG患者与健康对照组的分类，结果表明大规模脑网络中FC的改变和时间动态指标的异常对PACG分类具有显著效能。

       MRI与AI的结合为青光眼的早期诊断和个性化干预提供了潜在的技术支持，同时也为未来智能化眼科诊疗系统的发展奠定了基础。但要实现其广泛临床应用，仍需克服高成本、数据多样性不足、算法优化、标准化缺失以及可解释性和临床整合等多方面的挑战。未来的研究应重点关注这些问题，通过多中心合作、算法创新和临床验证，推动MRI与AI在青光眼防治中的实际应用。

3 AI在青光眼预测中的应用

       当前大多数AI研究主要集中在青光眼的早期筛查及诊断方面，而在预测青光眼进展及预后方面的研究较少。由于青光眼的病程长且伴有进展性视功能损害，因此预测病情进展及预后对及时调整治疗方案以及预防视力损害非常重要。传统青光眼预测多通过视野检查、眼压测量及视神经头评估等方式，而 AI技术的融合能够更精确地捕捉细微的眼部变化，并利用大数据分析的优势来模拟和预测患者未来的视力变化。

       早期多使用卡尔曼滤波模型来预测青光眼的进展^[49]。近年来，DL算法在预测青光眼进展方面也有一些研究，多集中在视野或OCT检查数据上。MARIOTTONI等^[50]使用DL模型结合基线和随访的SD-OCT RNFL厚度值预测青光眼进展的概率，发现该模型优于传统的基于趋势变化的分析，同时还提供了可能的病变部位。除了单一模态的预测模型，HUSSAIN等^[51]开发了一种多模态DL模型，使用86名青光眼患者的OCT图像、视野值以及人口和临床数据，结合生成对抗网络（generative adversarial network, GAN）生成的合成未来图像，将患者分为慢性进展者和快速进展者。实验结果显示，该模型提前6个月预测青光眼进展的AUC达0.83，使用合成未来图像能够更早（9个月前）预测视力丧失，AUC为0.81，优于仅使用结构性或功能性指标的效果。而ASAOKA等^[52]尝试从模型的角度来优化算法的准确性，他们认为能否构建多任务学习模型是未来利用AI预测青光眼患者视野损害进展的关键。多模态数据之间都是互相联系的，利用这种相关性还可以对不同类型的数据进行转换。最近有研究尝试利用结构信息来预测青光眼的视野损害^{[53, 54]}。ASANO等^[53]通过训练CNN模型，输入OCT图像来预测青光眼患者中心视野的总偏差值，其结果显示，使用CNN模型的平均绝对误差范围在9.4~9.5 dB之间，经过汉弗莱场分析仪24-2测试修正后平均绝对误差降至5.5 dB。KIHARA等^[54]通过视盘和OCT图像预测青光眼的视野，每个点的预测基于6437名在英国三家临床中心接受青光眼常规护理的患者的数据。结果显示多模态DL模型在点对点平均绝对误差上相较于单一模态模型表现出显著改善，并且能有效解释结构-功能关系的映射。然而，对基于视野或者结构参数来预测青光眼进展的具体标准缺乏共识，且目前的研究并不能预测青光眼的进展速度或者发生时间，这将是未来亟待解决的一个问题。

       目前关于青光眼预后预测的研究主要集中在预测术后并发症及其危险因素。刘萍萍等^[55]通过列线图预测模型发现糖尿病史等多个因素是PACG患者房角分离术后屈光不正的独立危险因素。AGNIFILI等^[56]也通过ML模型发现，术前较厚的结膜基质和高反射率会增加手术失败的风险。此外，也有一些研究使用眼科基线资料对青光眼的预后进行预测。如BARRY等^[57]发现ML和DL算法可以使用电子健康记录中的结构化数据来预测青光眼患者手术的结果。最近一项研究也表明术前神经纤维层厚度与青光眼患者术后视野改善情况密切相关，并具有一定的预测价值^[58]。

       然而，这些研究大多仅关注眼科参数，忽视了青光眼作为一种眼脑共患疾病的特点，缺乏对大脑功能维度的考虑，可能会导致其预测模型不够全面。此外，用于青光眼预后预测的具体指标尚不明确，难以准确评估疾病进展和治疗效果。未来的研究应致力于整合多模态数据，涵盖眼科数据、脑影像数据及临床数据，以构建更为全面和精准的诊疗模型。同时，需要明确和标准化预后预测指标，以提升模型的预测能力和临床适用性。

4 总结与展望

       由于青光眼的发病机制复杂且疾病种类繁多，随着人口的增加，传统的青光眼筛查方法很难实现全民覆盖，因此如何运用AI对青光眼进行精准分析已经成为研究重点。不可否认，AI结合眼底照相、OCT、视野检查及MRI等技术在青光眼的早期筛查、诊断及进展预测等方面表现出良好的潜力和性能，但同时也面临诸多问题。首先，DL的“黑箱”特征一直是其临床应用的阻力之一，模型内部决策过程的不透明性，使得用户难以理解模型是如何得出结论的。其次，DL算法辅助青光眼诊断需要大样本量的数据来进行测试、训练和验证。然而，由于不同地区和机构在设备和医疗水平上的差异，使得标准的大数据库难以建立。最后，大多数AI研究都集中在二分类的问题上，但是部分青光眼患者常合并其他眼病，如白内障、眼底疾病等，这可能会影响分析的结果。

       在5G技术推动下，医疗数据共享为青光眼的诊断与治疗提供了新的机遇。AI技术的引入使得早期筛查与诊断变得更加高效，且能够帮助医生更精准地监测疾病进展。为了提高AI模型的准确性和适用性，未来研究需要整合各国家、各地区的数据，建立大型、公开的数据库，以覆盖更多的疾病类型和人种，并增强模型的透明性。此外，将传统眼科检查与MRI结合共同用于AI模型的构建也可能为青光眼的诊断和预测研究提供新的方向。AI医疗模式已经是当代眼科医疗的发展趋势，其在青光眼领域的潜力不容忽视，相信未来AI在青光眼的应用将成为眼科学发展的关键助力，帮助更多患者获得及时的医疗服务。