由于其卓越的数据处理能力，深度学习在生物医学研究中发挥着越来越重要的作用。然而，单一特征数据远远不足以呈现问题的全貌。
近日，浙江大学斯柯教授课题组提出了一种多特征深度学习系统，并成功应用于青光眼严重程度的精准诊断。
青光眼是不可逆失明的主要原因。然而，青光眼的人工评估是劳动密集型的，并且高度依赖训练有素的专家的图像解释，这限制了在一般人群中广泛进行青光眼筛查。最近，单特征深度学习在青光眼诊断中显示出相当大的前景。
然而，一些研究表明，青光眼患者的结构和功能测量之间可能存在分歧，这可能导致假阴性结果。目前青光眼诊断中的多特征深度学习方法主要集中在区分健康和青光眼，而没有进一步识别青光眼的严重程度，导致临床治疗指导意义非常有限。
11月3日，斯柯教授课题组在Biomedical Informatics杂志上发表了题为“A multi-feature deep learning system to enhance glaucoma severity diagnosis with high accuracy and fast speed”的文章，提出了一种多特征深度学习(MFDL)系统根据眼压(IOP)、彩色眼底照片(CFP)和视野(VF)将青光眼分为四个严重程度。
使用青光眼筛查、检测和分类的三阶段框架将青光眼分为正常、轻度、中度和重度。所提出的模型可以潜在地帮助眼科医生进行有效和准确的青光眼诊断，从而有助于青光眼的临床管理。
在这项研究中，研究人员设计了一个从粗到细的青光眼严重程度诊断的三阶段框架，其中包含筛查、检测和分类。他们对来自 3,324 名患者的 6,131 个样本进行了训练，并对来自 185 名患者的 240 个独立样本进行了测试。
结果表明，与直接四分类深度学习(DFC-DL，精度为 0.513 [0.449-0.576])、基于 CFP 的单特征深度学习相比，MFDL 实现了更高的精度 0.842(95% CI，0.795–0.888) (CFP-DL，精度为 0.483 [0.420–0.547])和基于 VF 的单特征深度学习(VF-DL，精度为 0.725 [0.668–0.782])。
它的表现在统计上明显优于8名大三学生。它还优于 3 名老年人和 1 名专家，与 2 名青光眼专家相当(0.842 对 0.854，p = 0.663;0.842 对 0.858，p = 0.580)。在 MFDL 的帮助下，初级眼科医生在统计上取得了显着提高的准确率，准确率提高范围为 7.50% 至 17.9%，而资深眼科医生和专家分别为 6.30% 至 7.50% 和 5.40% 至 7.50%。每名 MFDL 患者的平均诊断时间为 5.96 秒。
作为一种有效的辅助诊断工具，MFDL 可以帮助不擅长青光眼严重程度诊断的眼科医生，尤其是在偏远和贫困社区。它允许在初级保健就诊期间进行快速青光眼筛查，并为青光眼患者提供个性化的医疗保健建议，这是一种有希望使广大患者群体受益的方法。