利用人工智能描述青光眼视盘的结构表型

视盘（ONH）在青光眼的发生与发展过程中通常经历复杂的神经与结缔组织结构改变，监测这些改变对青光眼诊所中改进诊断与预后至关重要。临床上评估ONH结构改变的金标准技术是光学相干断层扫描（OCT）。然而，OCT仅限于测量少数手工设计的参数，如视网膜神经纤维层（RNFL）厚度，且尚未被认定为用于青光眼诊断与预后应用的独立设备。我们认为这是因为ONH的3D OCT扫描中可用的大量信息尚未被充分挖掘。本研究中我们提出一种深度学习途径，其能够：\textbf{(1)} 充分挖掘ONH的OCT扫描信息；\textbf{(2)} 描述青光眼ONH的结构表型；并能够 \textbf{(3)} 用作稳健的青光眼诊断工具。具体而言，我们的算法识别的结构特征被发现与青光眼的临床观察相关。这些结构特征的诊断准确率为$92.0 \pm 2.3 \%$ ，灵敏度为$90.0 \pm 2.4 \%$（在$95 \%$特异度下）。通过逐步改变其大小，我们得以揭示从“非青光眼”过渡到“青光眼”状态时ONH形态如何变化。我们相信我们的工作可能对理解青光眼发病机制具有强烈的临床意义，并可在未来改进以预测未来的视力丧失。