基于视神经头光学相干断层扫描血管造影的深度学习方法用于估计24×2视野图

《Journal of Glaucoma》：Deep Learning Estimation of 24-2 Visual Field Map From Optic Nerve Head Optical Coherence Tomography Angiography

　　人工智能为青光眼OCTA眼底图像预测24-2视野参数提供高精度解决方案，综合各层血管密度信息可优化视野损失评估，显著优于传统线性回归模型。

　　人工智能在视网膜光学相干断层扫描血管成像（OCTA）图像中的应用，展示出在估算24-2视野图（VF）方面的高准确性。这项研究的核心在于开发一种深度学习（DL）模型，该模型能够通过OCTA视神经乳头（ONH）的横断面图像，预测与视野损伤相关的指标，如平均偏差（MD）、模式标准差（PSD）、52个点的总偏差（TD）和模式偏差（PD）。与传统的线性回归（LR）模型相比，深度学习方法在多个评估维度上表现出更优的性能。这一成果为眼科临床实践提供了新的可能性，尤其是在减少视野测试频率方面，有助于提高诊断效率和患者体验。

### 研究背景与意义

在青光眼的发展过程中，视神经乳头和视网膜神经节细胞会逐渐受到损害，这种损害可能导致不可逆的视力丧失。因此，早期诊断和及时干预对于防止视力损害至关重要。然而，视野测试作为一种评估功能视力损失的常用手段，存在一些局限性。例如，它需要患者高度集中注意力，耗时较长，而且患者需要一定时间的学习过程才能准确完成测试。此外，测试结果可能存在较大的个体差异，这可能影响其诊断价值。因此，寻找一种能够有效评估视野损伤的替代或辅助手段成为当前研究的重要方向。

光学相干断层扫描血管成像（OCTA）技术的出现，为非侵入性评估视网膜微循环提供了新的工具。OCTA不仅能够提供高分辨率的三维视网膜图像，还能通过分割视神经乳头周围区域，揭示表层、放射状视乳头毛细血管（RPC）和脉络膜等不同层次的微血管结构。这些结构的变化与青光眼的进展密切相关，例如微血管缺失（MvD）已被证明是青光眼进展的一个重要预测指标。因此，通过OCTA图像中的血管密度（VD）和毛细血管密度（CD）等参数，结合人工智能技术，为青光眼的诊断和管理提供了新的思路。

### 方法与技术

本研究使用了来自994名受试者（共1684只眼睛）的3148对OCTA图像和视野测试数据。这些数据来自于“青光眼诊断创新研究”（DIGS）和“青光眼诊所”（GC）的影像资料。研究团队采用深度学习方法，特别是ResNet50架构，来训练模型，以预测24-2视野图中的多个指标。为了确保模型的有效性，研究者采用了图像分割技术，将OCTA图像分为表层、RPC和脉络膜三个层次，并分别对这些层次进行分析。同时，还结合了这三个层次的数据，以评估综合层在预测视野损伤中的作用。

在模型训练过程中，图像尺寸被统一调整为304×304像素，并且每个像素的值被复制到红、绿、蓝三个颜色通道中，以确保输入数据的一致性。此外，研究者还使用了数据增强技术，包括水平翻转、旋转、裁剪和缩放，以提高模型的泛化能力。训练数据被划分为80%用于训练，10%用于验证，10%用于测试，以确保模型在不同数据集上的表现具有代表性。研究团队还构建了线性回归模型作为对比，以评估深度学习模型在预测精度上的优势。

### 结果与分析

深度学习模型在多个指标的预测中表现优异，特别是在估算24-2视野图的平均偏差（MD）和模式标准差（PSD）方面。例如，在使用RPC层进行MD估算时，深度学习模型的R值达到了0.79，而平均绝对误差（MAE）仅为1.77 dB。相比之下，线性回归模型的R值为0.48，MAE为3.12 dB，这表明深度学习模型在预测能力上显著优于传统方法。

在估算52个点的总偏差（TD）和模式偏差（PD）时，深度学习模型同样表现出更高的准确性和更低的误差。例如，使用RPC层估算TD时，MAE为3.08 dB，R值为0.63，而线性回归模型的MAE为4.99 dB，R值为0.31。这表明深度学习模型能够更有效地捕捉视网膜微血管结构与视功能之间的复杂关系。此外，综合层（结合表层、RPC和脉络膜数据）在估算MD时的MAE为1.73 dB，R值为0.82，虽然在某些方面略优于RPC层，但整体上并没有显著改善。这一结果表明，对于MD的预测，单独使用RPC层或表层已经足够，而脉络膜层的贡献相对较小。

在对视野图的六个扇区进行估算时，深度学习模型也表现出较高的相关性。例如，在估算平均总偏差（TD）时，综合层的R值为0.66，显著高于线性回归模型的0.34。同时，不同扇区的预测能力存在差异，其中超级鼻区（superior nasal）的预测效果最佳，而颞区（temporal）的预测误差较大。这可能与青光眼在早期阶段对超级鼻区的优先影响有关，而颞区的损害通常发生在疾病发展的后期。因此，深度学习模型在不同区域的预测能力可能反映了视神经乳头微血管结构的分布特点。

### 视野图预测的可视化分析

为了进一步理解深度学习模型是如何进行预测的，研究者利用了类激活映射（CAM）技术，特别是扩展版本的Grad-CAM，用于可视化模型在估算视野图时所关注的区域。通过分析这些激活图，研究者发现模型在估算视野损伤时，主要依赖于视神经乳头区域中特定的微血管分布。例如，在估算MD时，模型更倾向于关注表层和RPC层中的高密度区域，而这些区域与视功能的下降密切相关。这种可视化方法不仅有助于解释模型的决策过程，还能够为未来的模型优化提供依据。

### 与传统方法的对比

传统的线性回归方法在预测视野图时通常依赖于先验的结构-功能关系模型，而这些模型往往假设结构与功能之间存在线性关系。然而，实际的结构-功能关系可能更为复杂，且受多种因素影响，如疾病阶段、个体差异等。相比之下，深度学习模型通过学习数据中的模式，能够更灵活地捕捉结构与功能之间的非线性关系。因此，深度学习模型在多个指标的预测中表现优于线性回归模型，尤其是在MD和PSD的估算上，其相关性显著更高。

此外，研究者还对比了不同层的数据对预测结果的影响。结果显示，表层和RPC层在估算MD和PSD时表现最为优异，而脉络膜层的表现相对较低。然而，当使用综合层时，模型在估算MD和PSD时的误差有所减少，相关性有所提高。这表明，虽然单独使用某一层可能已经足够，但综合多层数据可以进一步提高预测的准确性。

### 临床应用的潜力

这项研究的结果表明，深度学习模型可以作为视野测试的一种有效替代或辅助工具。通过OCTA图像中的微血管结构，模型能够预测视功能的变化，从而帮助医生在不进行传统视野测试的情况下，对患者的视力状况进行评估。这种技术的应用可以显著减少患者的测试负担，同时提高诊断效率。此外，由于OCTA扫描的频率可以更频繁地进行，医生可以根据患者的病情变化，调整视野测试的频率，实现更加个性化的诊疗方案。

### 局限性与未来方向

尽管本研究取得了重要的成果，但也存在一些局限性。首先，模型未经过独立测试集的验证，这可能影响其在实际临床环境中的泛化能力。因此，未来的研究需要在更大的、多样化的数据集上进行测试，以确保模型的可靠性。其次，深度学习模型的决策过程仍然不够透明，尽管Grad-CAM提供了一定的可视化支持，但模型内部的机制仍需进一步探索。最后，研究中排除了质量较差的OCTA图像，这可能导致模型的预测能力被高估，因此在未来的临床应用中，需要考虑如何处理低质量图像以提高模型的鲁棒性。

### 结论

综上所述，深度学习模型在通过OCTA图像估算24-2视野图方面展现出高度的准确性，尤其是在MD和PSD的预测上。虽然脉络膜层在某些情况下也有一定的贡献，但表层和RPC层的表现更为突出，这可能意味着在实际应用中，单独使用这两个层次的数据即可实现较好的预测效果。研究结果为青光眼的诊断和管理提供了新的工具，有助于提高临床效率并优化患者的治疗方案。未来的研究可以进一步探索模型的可解释性，并扩展其在其他眼科疾病中的应用，以推动人工智能在医学影像分析中的发展。