青光眼是全球首位不可逆致盲性眼病，早期诊断和进展预测一直是临床难点。随着AI算法的突破，从房角镜图像到OCT扫描，从标准自动视野计到便携式设备，深度学习正重塑青光眼诊疗全流程。
### 从手动判读到智能分割：房角成像的自动化
房角镜检查是青光眼分型的关键，但受限于医生经验和主观性。近期，基于U-Net和Transformer架构的混合模型被用于前段OCT（AS-OCT）图像，实现房角开放度、小梁网色素分级等参数的自动量化。一项多中心研究显示，该算法与专家手动标注的一致性达到Kappa 0.89，将闭角型青光眼筛查敏感度提升至96%。
### 视野检测的AI革新：缩短时间与提升依从性
标准自动视野计（SAP）耗时且易受患者疲劳影响。瑞典24-2算法引入贝叶斯推理，将测试时间缩短50%，而AI增强的瑞典交互式阈值算法（SITA）更快、更准确。最新研究利用生成对抗网络（GAN），可从部分视野数据合成完整视野图，使远程监测成为可能。2025年ARVO会议上，一款基于平板电脑的视功能检测APP，通过集成眼动追踪和AI分析，实现了家庭场景下的可靠视野评估，敏感度和特异性均超过90%。
### OCT影像的深度学习：从结构到功能预测
OCT测量的视网膜神经纤维层（RNFL）厚度是青光眼结构评估金标准。3D卷积神经网络（3D-CNN）可直接学习OCT体积中的细微纹理变化，预测未来视野缺损，AUROC达0.92。此外，图神经网络（GNN）被用于构建视盘形态与功能网络，从眼底照片识别盘沿出血、神经纤维层缺损等征象，AUC达0.97。
### 可解释AI与临床决策支持
为增强医生信任度，SHAP和Grad-CAM等可解释技术被广泛集成。例如，一个青光眼进展预测模型在输出风险概率时，可高亮提示RNFL变薄的颞侧区域。2024年《Ophthalmology》期刊发表的集成深度学习系统，将多模态输入（OCT、视野、眼压、年龄）融合，输出个性化干预建议，在内部测试中使假阳性率降低了30%。
### 挑战与展望
AI青光眼算法面临数据异质性、罕见病样本少、跨设备泛化等挑战。联邦学习和域自适应方法成为解决之道。未来，AI将结合24小时眼压监测、基因风险评分等数据，实现青光眼精准防控。大型语言模型（LLM）也可用于自动生成结构化报告，减轻医生负担。