研究人员说，如果对更多的人进行进一步的改进，这可能会对医生的诊断有帮助
发表在《英国眼科杂志》网络版上的一项研究发现，经过训练，人工智能可以识别视网膜图像和临床信息中的危险信号，可以预测青光眼高风险人群(通常被称为“青光眼疑似患者”)是否以及何时会发展成青光眼。
研究人员总结说，如果对更多的人进行进一步的改进，这可能会对医生的诊断有帮助。
人工智能的最新进展促进了算法的设计，以更好地检测青光眼的进展。但研究人员指出，到目前为止，还没有人利用临床特征来预测高风险人群的疾病进展。
青光眼是全球致盲的主要原因之一。但他们解释说，医生很难知道那些有早期视神经损伤可疑迹象的人，如果没有异常高的眼压(简称IOP)这一主要诊断特征，是否以及何时会发展为青光眼，并有失明的风险。
为了利用人工智能来弥补这一差距，研究人员回顾了12458只可疑青光眼早期症状的眼睛的临床信息。
在这些人中，他们集中观察了210只已经发展为青光眼的眼睛和105只没有发展为青光眼的眼睛，所有这些眼睛都每6-12个月监测一次，至少持续了7年。
然后，他们使用监测期间拍摄的视网膜图像中的红旗信号加上15个关键临床特征来产生一组“预测性”组合，然后将其输入3个机器学习分类器-一种自动排序或分类数据的算法。
临床特征包括年龄、性别、IOP、角膜厚度、视网膜神经层厚度、血压和体重(BMI)。
所有三种算法都表现良好，并且能够一致地预测青光眼的进展，准确度很高:91-99%
三个最重要的预测临床特征是基线IOP，舒张压(血压读数中的第二个数字，用于测量心跳之间的动脉压)和视网膜神经纤维层的平均厚度。
在监测期开始时，参与者的平均年龄为55岁，从33岁到76岁不等。研究人员指出，基线年龄并没有成为关键的预测因素，但青光眼患者的平均年龄明显低于未进展为青光眼的患者。
他们承认他们的发现存在各种局限性。例如，人工智能训练结果基于相对较少的信息，并且只有那些在监测过程中没有接受任何青光眼治疗的IOP正常的人被纳入研究。
他们警告说:“因此，目前的结果表明，所建立的模型只适用于有限范围的患者。”
然而，他们得出结论:“我们的研究结果表明，在眼部图像和临床数据上进行训练的[深度学习]模型有可能预测[疑似青光眼]患者的疾病进展。
“我们相信，通过在更大的数据集上进行额外的训练和测试，我们的(深度学习)模型可以做得更好，有了这些模型，临床医生就能更好地预测个体(疑似青光眼)患者各自的病程。”
他们补充说:“在个体患者的基础上预测病程将有助于临床医生在随访时间、开始(或不开始)降低眼压治疗以及眼压水平目标等问题上为患者提供量身定制的管理选择。”
