文章来源：IBM 官方网站
青光眼是世界上第二大失明原因，影响了40岁或以上人口的3.5％。 2010年，有6050万人受到这种疾病的影响，预计到2020年这一数字将增加到8000万。 青光眼有时被称为“视力的小偷”，其发展缓慢，并且在很大程度上无症状，如果没有人注意到，多达40％的视力丢失不可逆转。 因此，早期发现和及时干预是青光眼临床管理中的重要问题。
视野测试可以显示患者在整个视觉空间中的看法，并用于诊断各种疾病。例如，青光眼引起的视神经损伤导致上视野和下视野中的特征性视野缺损。虽然其他条件可能以类似于青光眼的方式影响视网膜结构，但对视力的影响通常非常不同。因此，这些测试是诊断过程的组成部分。
然而，因为这些测试完全依赖于患者反馈，所以它们对患者的警觉性是主观的。众所周知，时间是影响患者在这些测试中表现的一个因素，早餐后测量比午餐后更好。结果，可能需要多次测试以获得任何视力丧失的准确测量。
从生物学的角度来看，我们知道视觉功能和视网膜结构之间存在关联。这里出现了一个有趣的研究问题：我们能否直接从眼睛中可以使用非侵入性技术成像的结构估计视觉功能？答案是肯定的，因为我们发现视网膜成像数据中有信息可以帮助评估青光眼的存在。
IBM研究院与纽约大学合作，开展了一项研究，采用深度学习技术的数据驱动方法
探索这个问题
。我们的研究从视神经的单个3D原始光学相干断层扫描（OCT）图像估计视野指数（VFI），具有前所未有的精确度，Pearson相关性为0.88 。 VFI是一个全局度量标准，代表整个视野，并通过AI提供准确捕获，为未来可能使用此分析快速估计患者视觉功能的技术奠定基础。在收集青光眼诊断数据时，这可以让专业人员获得准确的信息 - 无需多次和时间密集的测试。
传统的OCT结构测量，如视网膜神经纤维层（RNFL）厚度和神经节细胞内丛状层（GCIPL）厚度，虽然两层都是已知的青光眼靶位，但不能达到这种程度的准确性。我们的研究表明，OCT捕获的结构测量结果包含与功能测量高度相关的信息，对于专业人士来说，他们希望做出诊断时非常有用。
青光眼的另一个重要挑战是其进展速度，这需要仔细分析多次访问的数据，机器学习也可以解决这个问题，已经证明可以预测未来访问时的视觉功能测试结果。这样做最终可以帮助专业人员更好地预测疾病的进展和发作，并相应地调整治疗方案。
该研究于4月28日至5月2日在加拿大温哥华举行的ARVO（视觉与眼科研究协会）年会上公布。 IBM研究团队与纽约大学共同提交了七篇关于青光眼检测和管理各方面的摘要。
睿盟希国际视觉科学基金，以
For
better vision and insight
为愿景，致力于全球范围内挖掘并投资视觉科学领域的创新科技公司。
