近日，中国科学院计算技术研究所研究团队和爱尔眼科（300015）合作发布青光眼预测的科研成果，该研究成果在IEEE Transactions on Medical Imaging（IF=11.037）发表，题为“GLIM-Net: Chronic Glaucoma Forecast Transformer for Irregularly Sampled Sequential Fundus Images”。研究成果表明致盲性眼病青光眼发病率可实现个体精准预测，这将使青光眼患者在成为“患者”前就被发现成为可能。极大提升青光眼患者的早诊早治率，从而进一步降低青光眼致盲率。

这是继今年2月“爱尔眼科-中科院计算所2023年战略规划会议”成功召开后，发布的又一个双方合作研究成果。此研究对两千多时间间隔不一的眼底影像进行立体化、全方位的深入研究，提出基于时间敏感自注意力机制的青光眼患病智能辅助预测算法，实现青光眼发病率个体的精准预测。

“早发现”是防止青光眼致盲重要手段

(资料图片仅供参考)

3月12日-3月18日是第16个“世界青光眼周”，今年的青光眼周主题是“关注青光眼：共识保视野，指南护光明”。青光眼是头号的不可逆致盲性疾病，由于青光眼早期症状不明显，青光眼患者常常会延误就医，从而导致不可逆转的视神经损伤。

中华医学会眼科学分会发布的《中国青光眼指南（2020）》显示，2020年全球原发性青光眼患病人数超过7600万，我国达到了2100余万，其中致盲人数可达567万[1]。这其中慢性青光眼占半数以上，而慢性青光眼早期多无症状，发现时通常已是晚期，因此越早地发现、干预与治疗青光眼，是防止青光眼致盲最为重要的手段。

青光眼预测平均准确率近90%

现阶段已有的人工智能主要针对青光眼的诊断开展，通常通过自动分割视杯视盘计算杯盘比来诊断是否患有青光眼。而针对青光眼的早期预测问题，即通过输入患者的一段时间内的序列影像，判断患者未来患有青光眼的可能性，鲜有研究。目前已有的算法DeepGF [2]基于LSTM(long short-term memory) [3]循环神经网络设计，存在检测精度有限，且不能预测患者给定时刻患病的概率等不足。

图1 GLIM-Net网络结构

针对现有算法存在的局限性，研究团队提出基于时间敏感自注意力机制的青光眼患病预测算法GLIM-Net（网络结构如图1所示），即输入拍摄的序列眼底影像，以及对应的时刻信息，输出给定时刻患青光眼的概率；针对如何有效的编码时间信息，研究团队进一步提出了时间位置编码模块（Time Positional Encoding）和时间敏感的多头自注意力模块（Time-sensitive MSA），根据时间间隔调整对不同影像的关注度。

研究团队将提出的GLIM-Net与公开数据集SIGF和Tumor-CIFAR上的已有算法进行了对比（对比结果如图2、表1和表2所示），结果显示在SIGF数据集上，GLIM-Net取得了平均89.5%的准确率，达到了业界最优水平，其他指标也均为最优；同时，在Tumor-CIFAR数据集上亦为业界最优。

图2训练集与测试集ROC曲线

表1 GLIM-Net在SIGF上与其他方法的对比

表2 GLIM-Net在Tumor-CIFAR上与其他方法的对比

图3展示了本算法在预测一段时间内青光眼患病概率的变化情况，可以看到，如果患者从阴性变成阳性，那么中间时刻患病概率是增加的，如果患者没有转阳，那么中间时刻患病概率无显著增加，这进一步说明了本算法在预测未来时刻患病概率的有效性。

图3 GLIM-Net预测一段时间内患病概率变化的情况

随着“中爱合作”进一步深入,未来爱尔眼科将始终保持开放的心态,不断探索更多创新模式,促进智能技术与眼科临床医疗深度融合,为人类的光明事业贡献智慧。

标签：