科研新突破 致盲性眼病青光眼发病率可实现个体精准预测

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，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。

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。

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”。青光眼是全球第二大致盲性眼病和排名首位的不可逆致盲性疾病，统计显示，全世界约有7800万人患有青光眼，到2040年，这一数字将升至1亿1000万。但由于青光眼早期症状不明显，约有50%的青光眼患者会延误就医，从而导致不可逆转的视神经损伤。“早发现”是防止青光眼致盲重要手段。

据介绍，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基于LSTM(long short-term memory)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。

针对现有算法存在的局限性，中国相关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，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，结果显示在SIGF数据集上，GLIM-Net取得了平均89.5%的准确率，达到了业界最优水平，其他指标也均为最优;同时，在Tumor-CIFAR数据集上亦为业界最优。

业内称，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。