基于眼部结构变化的深层学习方法预测青光眼进展

青光眼是一种具有视网膜神经退化特征的慢性眼病，导致不可逆的视力丧失。疾病会逐渐进展，往往在出现明显症状后才被诊断出来。因此，及早检测对于监测萎缩、制定治疗策略至关重要，以防止进一步的视力受损。数据中心的方法已使计算机辅助算法能够实现精确的青光眼诊断。本研究使用深层学习模型识别疾病特征和进展标准，以检测表明青光眼的细微变化。我们探讨了青光眼进展中的结构-功能关系，并从结构性眼部退化预测功能性损伤。我们分析了统计和机器学习方法，包括针对眼底光学相干断层扫描（OCT）的深度学习技术，以实现准确的进展预测。针对年龄变异性、数据不平衡和噪声标签等挑战，我们开发了新的半监督时间序列算法：1. 弱监督时间序列学习：我们创建了一个CNN-LSTM模型来编码OCT扫描的时空特征。该方法使用与年龄相关的进展和正-未标记数据，以建立稳健的伪进展标准，绕过黄金标准标签。2. 半监督时间序列学习：在对比学习方案中使用引导进展分析（GPA）中的标签，CNN-LSTM架构从可能被错误标记的数据中学习，以提高预测准确性。我们的方法在常规方法和最新技术方面均表现优异。