---

近日，中国科学院计算技术研究所研究团队和爱尔眼科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概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，实现青光眼发病概率个体的精准预测。 “早发现”是防止青光眼致盲重要手段 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，达到了业界水平。

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。

论文链接： https://ieeexplore.ieee.org/document/10041214 数据来源： [1]红网《 世界青光眼周：重视青光眼随访，防止视功能损伤 》20220307 https://baijiahao.baidu.com/s?id=1726636724824869961&wfr=spider&for=pc [2]Liu Li, Xiaofei Wang, Mai Xu, Hanruo Liu, and Ximeng Chen. DeepGF: Glaucoma Forecast Using the Sequential Fundus Images. In Medical Image Computing and Computer Assisted Intervention (MICCAI), 626-635, 2020. [3]Sepp Hochreiter, Jürgen Schmidhuber. Long Short-term Memory. Neural computation, 9(8), pp.1735-1780, 1997.