该研究通过调查最近的研究，使用眼底图像、光学相干断层扫描和视野图像等方法基于人工智能的青光眼诊断，特别关注利用深度学习的方法。研究提供了最新的分类法，并包含可用源代码的链接，以提高研究方法的可重复性。通过对广泛使用的公共数据集进行严格的基准测试，揭示了在普适性、不确定性估计和多模态集成方面的性能差距。此外，调查展示了关键数据集和限制，如规模、标签不一致性和偏见。我们描述了未来研究的开放性挑战并详细阐述了有前景的方向。此调查旨在对希望将进展转化为实践的人工智能研究人员以及希望利用最新人工智能成果改善临床工作流程和诊断的眼科医生有所帮助。

Jul, 2023

近期的研究发现，深度学习算法在自动生成眼底图像特征以检测青光眼方面具有潜力，本文综述了目前应用于青光眼分割、分类和检测的前沿深度学习方法，评估了这些技术的有效性和局限性，突出了关键发现并指出了进一步研究的潜在领域。深度学习算法的运用有望显著提高青光眼检测的效果、实用性和准确性，该研究结果对于自动青光眼检测的持续发展具有重要意义，能够改善患者预后并减轻全球青光眼的疾病负担。

Nov, 2023

该研究通过对人群亚组之间的疾病分类器性能分析，发现低诊断率造成的表现差异引起了关注，进一步强调了在训练数据中嵌入的人类偏见可能会放大现有的健康差异，并探讨了评估模型公正性的一些困难。

Jan, 2022

利用深度学习模型，该研究探索了青光眼的结构功能关系，从结构性眼部退化中预测功能受损，并且开发出半监督时间序列算法以准确预测青光眼的进展。

Jun, 2024

通过图像处理和深度学习神经网络分类相结合的方法，提出了一种先进的图像预处理技术来诊断青光眼。他们的 Glaucoma Automated Retinal Detection Network（GARDNet）在 Rotterdam EyePACS AIROGS 数据集上成功测试，AUC 为 0.92，在 RIM-ONE DL 数据集上进行了额外优化和测试，AUC 为 0.9308，表现优于现有技术。

May, 2022

利用视网膜图像构建了一个评估和解释青光眼严重性的框架，通过成对隐含比较进行衡量，并且提高了诊断准确性。

Dec, 2023

青光眼是全球不可逆盲的主要原因。本研究针对有限的带有最先进的光学相干断层扫描（OCT）3D 视网膜成像数据的标记患者的瓶颈问题，提出两种解决方案。首先，我们开发了一种新型的广义增强半监督学习（SSL）模型，称为伪监督器，以最佳方式利用无标签数据。与最先进的模型相比，所提出的伪监督器通过预测未标记样本的伪标签来优化策略，以提高经验概括能力。我们的伪监督器模型通过进行青光眼检测和进展预测两个临床任务进行评估。进展预测任务以单模态和多模态方式进行评估。我们的伪监督者模型表现出优于最先进 SSL 比较模型的性能。此外，我们的模型在公开可用的 LAG 眼底数据集上也取得了最佳结果。其次，我们引入了哈佛青光眼检测和进展（Harvard-GDP）数据集，这是一个多模态多任务数据集，包括来自 1,000 例患者的 OCT 成像数据，以及青光眼检测和进展的标签。这是一个拥有 3D OCT 成像数据的最大的青光眼检测数据集，也是公开可用的第一个青光眼进展预测数据集。我们提供了详细的性别和种族分析，供有兴趣的研究人员用于公平学习研究。我们的数据集通过几个最先进的有监督的 CNN 和 Transformer 深度学习模型进行了基准测试。数据集和代码可通过 https://ophai.hms.harvard.edu/datasets/harvard-gdp1000 公开获取。

Aug, 2023

本文介绍了一种新的自动青光眼筛查方法 —— 深度学习技术，针对现有临床测量方法对于图像处理精度的过高依赖和对于多种视觉特征的忽视，提出一种名为 DENet 的深度感知集成网络，能够直接从眼底图像中筛查出青光眼。该方法将全局眼底图像和局部视神经盘区域的深层层次信息相结合，实现了四个深度流的处理，最终融合不同流的输出概率生成最终筛查结果。实验结果表明，该筛查方法与其他先进算法相比表现更优。

May, 2018

一项关于深度学习模型在自动青光眼分类中的研究，采用 InceptionCaps 作为基于预训练 InceptionV3 的胶囊网络，通过对视网膜眼底图像的分类，取得了较高的准确性和鲁棒性。

Nov, 2023

该研究提出了一种基于卷积神经网络和预训练深度学习模型的计算机辅助诊断系统，用于自动将视网膜图像分类为正常、轻度、中度、重度和增殖性糖尿病视网膜病变。实验结果表明，CNN、MobileNet、VGG-16、InceptionV3 和 InceptionResNetV2 模型的 AUC 值分别为 0.50、0.70、0.53、0.63 和 0.69。

Mar, 2024