视神经头生物力学在青光眼视野缺损分类中的应用
摘要
该研究旨在评估视神经头（ONH）的生物力学特性，通过组织应变量化是否能提高对青光眼患者进行视野（VF）损失模式分类的能力。研究纳入了249名青光眼患者，通过自动分割和数字体积相关计算神经组织和LC应变，并将这些特征输入PointNet模型进行分类任务。结果显示，加入应变信息后，模型在分类特定视野缺损时性能显著提升，AUC从0.83±0.02提高到0.87±0.02。此外，研究发现应变敏感区域主要集中在下部和颞下缘，且随着视野损失严重程度增加而扩展。这表明ONH应变在预测青光眼视野损失方面具有重要作用。
信息来源： PubMed Ophthalmology 发布于 2026年2月2日
要点速览
- 视神经头应变信息显著提高了青光眼视野缺损分类的准确性。
- 应变敏感区域主要集中在下部和颞下缘，随视野损失严重程度增加而扩展。
- 研究结果表明，视神经头生物力学在青光眼诊断中具有重要作用。
本站解读
这项研究揭示了视神经头生物力学在青光眼诊断中的重要性，标志着技术路线从单纯形态学向综合生物力学分析的转变。这种变化不仅提升了诊断精度，还为理解青光眼的病理机制提供了新的视角。在全球范围内，各大眼科设备制造商正积极布局这一领域，试图通过引入更先进的成像技术和人工智能算法来巩固其市场地位。然而，国内企业在这一领域的进展相对滞后，尽管部分企业已开始关注并投入研发，但与国际领先水平仍有一定差距。未来，随着更多临床数据的积累和技术的成熟，预计这一技术将在青光眼早期诊断和个性化治疗中发挥关键作用。同时，这也意味着行业内的竞争格局将发生微妙变化，那些能够快速跟进并整合新技术的企业将占据更有利的位置。
常见问题
这个研究对青光眼患者有什么意义？
这项研究通过结合视神经头的生物力学特性，提高了青光眼视野缺损分类的准确性，有助于更早、更准确地诊断青光眼，从而更好地指导治疗。如有疑虑可咨询眼科医生。
这项技术什么时候能应用于临床？
目前这项技术还在研究阶段，具体何时能应用于临床还需进一步验证和审批。不过，随着技术的不断进步和临床数据的积累，预计不久的将来会逐步推广。
延伸阅读
视神经头血红蛋白浓度变化检测青光眼进展
该研究旨在评估一种通过量化视神经头（ONH）血红蛋白（Hb）浓度变化来检测青光眼进展的算法。研究纳入了102名原发性开角型青光眼（POAG）患者的133只眼睛，要求每只眼睛至少有五次标准自动视野检查（SAP）和三次ONH照片。使用Laguna ONhE软件进行自动化色度分析，估算ONH的Hb浓度。视觉功能进展定义基于Humphrey视野计提供的事件分析算法。结果显示，在平均随访2.4±1.6年的过程中，26只眼睛（20%）表现出进展，其SAP平均偏差（MD）从首次到末次访问的变化中位数为-2.20 dB，而非进展眼睛的变化中位数为-0.01 dB。ROC回归模型表明，Globin Individual Pointer（GIP）变化作为青光眼视觉功能进展指标具有良好的性能。
基于深度学习的非洲裔原发性开角型青光眼筛查模型
原发性开角型青光眼（POAG）是一种导致失明的重要疾病，尤其在非洲裔人群中发病率较高。然而，现有的AI筛查模型数据集中，非洲裔人群的数据代表性不足。本研究开发了一种基于深度学习的POAG筛查模型，使用了来自Primary Open-Angle African American Glaucoma Genetics (POAAGG)项目的64,129张眼底照片，包括1782例病例和682例对照组。该模型通过二分类器选择最具信息量的六张图像，并利用Vision-Transformer预测每张图像的POAG概率，最终通过平均概率进行诊断（AUC=0.925）。该模型在REFUGE-1数据集（中国人群）上也进行了验证（AUC=0.920），显示出其在不同人群中的普适性和有效性。该模型有望在初级保健机构及资源匮乏地区实现POAG的大规模筛查。
基于人工智能的青光眼视神经病变无相机依赖诊断
青光眼是导致不可逆视力丧失的主要原因之一，但由于其无症状进展和现有筛查方法的局限性，常常未能及时诊断。本研究旨在验证一种基于人工智能机器学习算法的无相机依赖青光眼视神经病变检测方法。研究数据来自EyePACS远程视网膜筛查系统，包括25,000张黄斑中心视网膜图像，涉及12,500名患者。通过卷积神经网络开发了该算法，并使用专家分级的图像作为金标准。经过质量过滤后，从EyePACS数据集中筛选出21,792张图像（10,986名受试者），算法在检测青光眼视神经病变方面表现出高灵敏度（90.6%）和特异性（90.5%）。在独立验证数据集上的表现同样出色，灵敏度为96.4%，特异性为85.3%。研究结果表明，该算法具有高度的准确性和可扩展性，适用于多种临床环境，有望改善青光眼筛查途径，提高其可及性和效率。