视野数据的自监督去噪改善青光眼进展检测

视野测量提供了对患者周边视觉和日常功能的洞察，是识别青光眼视觉损伤进展的主要结果指标。然而，视野数据可能存在噪声并表现出高方差，尤其是在损伤加重时。在本研究中，我们展示了自监督深度学习在去噪超过 4000 名患者的视野数据方面的效用，以提高其信噪比及其检测真实青光眼进展的能力。我们部署了变分自编码器（VAE）和掩码自编码器，以确定哪种自监督模型能在重建噪声更小、对疾病恶化预测能力更强的显著特征的同时，最好地平滑视野数据。我们的结果表明，在每个视野位置包含分类 p 值可改善视野数据的平滑效果。与以往方法（如变分自编码器）相比，掩码自编码器产生了更干净的去噪数据。观察到使用逐点线性回归（PLR）检测进展眼的百分比增加了 4.7%。与未包含 p 值时相比，包含 p 值时掩码和变分自编码器平滑后的数据提前 2.3 个月预测出青光眼进展。进展时间（TTP）的更快预测和检测到的进展百分比更高支持了我们的假设，即在训练期间掩蔽视野元素并在每个位置包含 p 值将改善视野进展检测任务。我们的研究在训练神经网络去噪视野数据方面具有临床相关意义，可实现更早、更准确的青光眼进展检测。该去噪模型可集成到未来的视野分析模型中，以增强青光眼进展的检测。