Trí tuệ nhân tạo trong bệnh glôcôm

Glôcôm là một căn bệnh vẫn chưa được hiểu đầy đủ, mặc dù đây là nguyên nhân phổ biến nhất gây mù lòa không hồi phục. Ngoài nhãn áp (IOP), các thay đổi đĩa thị, khiếm khuyết lớp sợi thần kinh võng mạc (RNFL), khiếm khuyết lớp tế bào hạch (GCL), góc tiền phòng và trường thị là các tiêu chí chẩn đoán quan trọng không có thông số xác định. Tiền sử gia đình, các bệnh toàn thân và các yếu tố xã hội quyết định sức khỏe cũng ảnh hưởng đến nguy cơ mắc bệnh glôcôm. Đây là rất nhiều thông tin cần được xem xét một cách toàn diện để đưa ra chẩn đoán.

Trí tuệ nhân tạo (AI) và máy học (ML) sẽ đóng vai trò chính trong nhãn khoa [1] vì chúng đặc biệt phù hợp để trích xuất thông tin hữu ích từ nhiều dữ liệu. Với sự trợ giúp của AI, cuối cùng chúng ta có thể chẩn đoán bệnh glôcôm ở những trường hợp ranh giới và bắt đầu điều trị thích hợp sớm. Chúng ta thậm chí có thể dự đoán được tiến trình của bệnh glôcôm.

Giới thiệu

Mối quan hệ giữa trí tuệ nhân tạo (AI), máy học (ML), học sâu (DL), mạng nơ-ron (NN), mạng nơ-ron tích chập (CNN) và mạng đối nghịch tạo sinh (GAN)

Trí tuệ nhân tạo đã dần được tích hợp vào một số tiện ích và phần mềm mà chúng ta sử dụng hàng ngày. Có vẻ như AI sẽ trở thành một phần thường xuyên trong hoạt động y tế của chúng ta là điều không thể tránh khỏi. Nhãn khoa đặc biệt phù hợp với ứng dụng AI vì có rất nhiều hình ảnh lâm sàng, ảnh chụp và xét nghiệm cần được diễn giải. [2]

Bệnh glôcôm nói riêng có tiềm năng to lớn đối với những tiến bộ liên quan đến AI [3] vì dữ liệu từ nhiều phương thức phải được kết hợp với nhau theo cách có ý nghĩa để đưa ra kế hoạch quản lý hợp lý. Nếu tiên lượng của bệnh nhân với các giao thức quản lý khác nhau có thể được ước tính bằng thuật toán dự đoán, điều này sẽ giúp ích rất nhiều trong việc hướng dẫn phương pháp điều trị phù hợp và cải thiện việc tuân thủ điều trị.

Trí tuệ nhân tạo trong nhãn khoa [1]

Vai trò của AI trong nhãn khoa có tiềm năng rất lớn vì có rất nhiều dữ liệu có thể được xử lý để tạo ra thông tin hữu ích. Đã có nhiều cuộc thi lập trình, nơi một số nhóm cạnh tranh để phát triển các thuật toán xử lý hình ảnh nhằm phát hiện bệnh võng mạc tiểu đường và bệnh glôcôm.

Các bệnh về mắt mà AI đang được sử dụng là bệnh võng mạc tiểu đường, bệnh glôcôm, thoái hóa hoàng điểm tuổi già, bệnh võng mạc trẻ sinh non, tắc mạch võng mạc, giác mạc hình chóp, đục thủy tinh thể, tật khúc xạ, bong võng mạc, lác và ung thư mắt. [1] AI cũng hữu ích để tính toán công suất thể thuỷ tinh nhân tạo (IOL), lập kế hoạch phẫu thuật lác mắt và lập kế hoạch tiêm thuốc ức chế tăng sinh tân mạch (anti VEGF). Ngoài ra, AI có thể phát hiện suy giảm nhận thức, chứng mất trí, bệnh Alzheimer, nguy cơ đột quỵ, v.v. từ ảnh chụp đáy mắt và chụp cắt lớp quang học.

Định nghĩa cơ bản

Trí tuệ nhân tạo (AI)

Được định nghĩa là "lý thuyết và sự phát triển của các hệ thống máy tính có khả năng thực hiện các nhiệm vụ thường đòi hỏi trí thông minh của con người, chẳng hạn như nhận thức thị giác, nhận dạng giọng nói, ra quyết định và chuyển đổi giữa các ngôn ngữ". [4] Trí tuệ nhân tạo là ứng dụng của các thuật toán máy tính để sao chép hành vi thông minh giống con người.

Máy học (ML)

Được định nghĩa là "khả năng học hỏi từ kinh nghiệm của máy tính, tức là sửa đổi quá trình xử lý của nó dựa trên thông tin mới thu được". [5] Trong Máy học, các thuật toán tự học bằng cách thử và sai, mà không được lập trình rõ ràng các bước để thực hiện một nhiệm vụ.

Mạng nơ-ron (NN)

Được định nghĩa là "một hệ thống máy tính được mô phỏng theo não người và hệ thần kinh". [6] Phần mềm được xây dựng như một mạng lưới các nơ-ron giao tiếp với nhau bằng nhiều đầu vào sửa đổi đầu ra và thường có vòng phản hồi để học. Học sâu là một loại mạng nơ-ron con. Mạng nơ-ron tích chập (CNN) là một loại lớp mạng nơ-ron thường thấy trong xử lý hình ảnh. Mạng đối nghịch tạo sinh (GAN) là một lớp mạng nơ-ron khác (thường được triển khai dưới dạng mạng nơ-ron học sâu).

Học sâu (DL)

Học sâu là một lớp thuật toán học máy có kiến ​​trúc mạng nơ-ron sử dụng nhiều lớp để trích xuất dần các đặc điểm cấp cao hơn từ đầu vào thô. Ví dụ, trong xử lý hình ảnh, các lớp thấp hơn có thể xác định các cạnh, trong khi các lớp cao hơn có thể xác định các khái niệm liên quan đến con người như chữ số, chữ cái hoặc khuôn mặt. [7] Đây là cấp độ nâng cao của mạng nơ-ron. Các lớp riêng lẻ trong kiến ​​trúc DL có thể sử dụng mạng nơ-ron tích chập (CNN).

Trí tuệ nhân tạo trong bệnh glôcôm [8] [9]

Ảnh chụp gai thị, thị trường, độ dày lớp sợi thần kinh võng mạc, độ dày lớp tế bào hạch, nhãn áp và góc tiền phòng đều phải được đánh giá và theo dõi cẩn thận để có thể kiểm tra bệnh glôcôm đúng cách. Trí tuệ nhân tạo rất phù hợp để trích xuất thông tin hữu ích từ tất cả dữ liệu này. Một AI về glôcôm toàn diện như vậy vẫn chưa sẵn sàng, nhưng thực sự sẽ là một bước ngoặt trong cuộc chiến chống lại "kẻ trộm thị lực thầm lặng" này.

Trong khi đó, đã có những tiến bộ to lớn trong việc sử dụng AI để đánh giá các thông số riêng lẻ và một số kết hợp. Đã có thành công trong các khía cạnh chẩn đoán cũng như tiên lượng. Một AI toàn diện cho bệnh glôcôm nên đánh giá tất cả các thông số bao gồm nhãn áp, hình thái đĩa, góc tiền phòng, thị trường và OCT cùng nhau.

Nhãn áp (IOP)

Dự đoán xu hướng nhãn áp từ dữ liệu và thuốc trước đó sẽ là một ứng dụng hữu ích và hợp lý của AI. Hiện tại, AI đã được sử dụng để đánh giá dữ liệu từ Sensimed Triggerfish (Sensimed AG, Lausanne, Thụy Sĩ), đây là thiết bị theo dõi nhãn áp liên tục dựa trên kính áp tròng thực sự chỉ đo những thay đổi về độ biến dạng giác mạc do biến động nhãn áp. Martin và cộng sự đã sử dụng dữ liệu từ 24 nghiên cứu triển vọng về Triggerfish bằng cách sử dụng random forest (một phương pháp học máy) để xác định các thông số liên quan đến bệnh nhân glôcôm. [10]

Đánh giá tỷ lệ lõm/ đĩa bằng trí tuệ nhân tạo

Chụp ảnh gai thị

Đối với ảnh chụp đáy mắt, Li và cộng sự đã đánh giá một thuật toán học sâu cho thấy độ nhạy cao (95,6%) và độ đặc hiệu (92%) để phát hiện bệnh lý thần kinh thị giác do glôcôm có thể tham chiếu. [11] Nhược điểm là cận thị cao gây ra kết quả âm tính giả và lõm sinh lý gây ra kết quả dương tính giả. Al-Aswad và cộng sự đã đánh giá Pegasus (Visulytix Ltd., London, Vương quốc Anh), một hệ thống học sâu để phát hiện bệnh lý thần kinh thị giác do glôcôm từ ảnh chụp đáy mắt màu và cho thấy hệ thống này hoạt động tốt hơn 5 trong số 6 bác sĩ nhãn khoa trong nghiên cứu. [12] Pegasus là hệ thống AI có sẵn miễn phí để sử dụng trong Nền tảng tư vấn Orbis Cybersight. NetraAI (Leben Care Technologies Pte Ltd) là một AI khác đánh giá ảnh chụp đáy mắt do glôcôm. Cerentini và cộng sự đã sử dụng mạng học sâu GoogLeNet [13] để phát triển phương pháp phân loại tự động nhằm phát hiện bệnh glôcôm trong ảnh chụp đáy mắt. Haleem và cộng sự đã sử dụng một kỹ thuật mới để tự động phát hiện ranh giới của đĩa thị và lõm đĩa để hỗ trợ chẩn đoán bệnh glôcôm tự động từ ảnh chụp đáy mắt. [14] Thompson và nhóm đã có thể sử dụng học sâu để đo mức mất viền thị thần kinh (NRR) từ ảnh đĩa thị. [15] Công ty khởi nghiệp Ấn Độ Kalpah Innovations (Vishakapatnam, Ấn Độ) đã phát hành phần mềm dựa trên đám mây Retinal Image Analysis – Glaucoma (RIA-G), [16] vào năm 2016 để phân tích hình ảnh đáy mắt nhằm tìm kiếm khả năng mắc bệnh glôcôm. Phần mềm này sử dụng các thuật toán xử lý hình ảnh tiên tiến để đo kích thước đĩa, kích thước lõm đĩa, tỷ lệ C/D, độ dày viền thị thần kinh, điểm số khả năng tổn thương đĩa (DDLS) và tìm kiếm các vi phạm quy tắc ISNT. Phần mềm này cũng sử dụng học sâu để học hỏi từ người dùng trong trường hợp phát hiện tự động có lỗi.

Chụp cắt lớp quang học (OCT) - RNFL, GCL

Máy OCT tự động đo kích thước đĩa, lõm đĩa, diện tích viền thị thần kinh, độ dày lớp sợi thần kinh (RNFL) và độ dày tế bào hạch võng mạc (GCL). Tất cả các thông số này có thể được ước tính bằng các kỹ thuật phân đoạn hình ảnh dựa trên AI. [17] Omodoka và cộng sự, sử dụng mạng nơ-ron đã phân loại hình ảnh từ OCT nguồn quét thành 4 loại đĩa thị của Nicolela với độ chính xác cao. [18] Muhammad và cộng sự đã chỉ ra rằng phương pháp học sâu lai trên một OCT nguồn quét (SSOCT) trường rộng duy nhất có độ nhạy 93,1% trong việc phát hiện nghi phạm mắc bệnh glôcôm. [19] Asaoka và cộng sự đã đánh giá một thuật toán học sâu chẩn đoán bệnh glôcôm dựa trên OCT điểm vàng đối với lớp sợi thần kinh  (RNFL) và lớp tế bào hạch võng mạc (GCL). [20] Các nghiên cứu khác của Christopher và cộng sự, [21] Barella và cộng sự, [22] Bizios và cộng sự, [23] Larossa và cộng sự [24] đã đánh giá phương pháp học máy không giám sát, bộ phân loại học máy, mạng nơ-ron nhân tạo, máy vectơ hỗ trợ và phương pháp phân đoạn cho OCT bệnh glôcôm.

OCT bán phần trước (AS-OCT)

Đánh giá góc tiền phòng bằng AS-OCT

Hình ảnh AS-OCT cũng có thể được xử lý để xác định cấu trúc, đo lường và sàng lọc góc đóng bằng các thuật toán đang được phát triển. [25] Niwas và cộng sự đã đánh giá một mô hình hoàn toàn tự động để phân loại bệnh glôcôm góc đóng từ các lần quét AS-OCT và cho thấy độ chính xác là 89,2%. [26]

Thị trường (VF)

AI có khả năng hỗ trợ giải thích nhanh chóng và chính xác các thị trường. Asaoka và cộng sự đã sử dụng mạng nơ-ron truyền thẳng để xác định các trường hợp glôcôm trước khi có tổn thương thị trường đặc hiệu (Preperimetric glaucoma: các trường hợp có tổn thương trên đĩa thị nguy cơ tổn thương lớp sợi thần kinh nhưng không có tổn hại thị trường đáp ứng tiêu chí của Anderson-Patella). [27] Li và cộng sự đã đánh giá Mạng nơ-ron tích chập (CNN) để tự động phân biệt các thị trường do bệnh glôcôm với các thị trường không do bệnh glôcôm. [28] Goldbaum và cộng sự đã sử dụng mô hình hỗn hợp phân tích thành phần độc lập Bayesian biến thiên và Máy học không giám sát (vB-ICA-mm) để phân tích các khiếm khuyết thị trường. [29] Andersson, Heijl và cộng sự đã chỉ ra rằng một mạng nơ-ron nhân tạo được đào tạo đạt được độ nhạy 93% và độ đặc hiệu 91% trong việc đánh giá thị trường do bệnh glôcôm và kết quả thực hiện ít nhất là tốt như các bác sĩ lâm sàng. [30] Bowd, Weinreb và các đồng nghiệp đã sử dụng thành công mô hình hỗn hợp phân tích thành phần độc lập Bayesian biến thiên (VIM), một bộ phân loại máy học không giám sát để phân tích dữ liệu thị trường công nghệ nhân đôi tần số (FDT). [31]

Các phương pháp kết hợp

Oh và cộng sự đã sử dụng mạng nơ-ron nhân tạo (ANN) để dự đoán glôcôm góc mở với độ chính xác là 84,0%, độ nhạy là 78,3% và độ đặc hiệu là 85,9%. [32] ANN này đã đánh giá bốn yếu tố không liên quan đến nhãn khoa (giới tính, tuổi, thời kỳ mãn kinh và thời gian tăng huyết áp) và năm yếu tố liên quan đến nhãn khoa (nhãn áp, tật khúc xạ cầu tương, tỷ lệ lõm/đĩa theo chiều dọc, sự hiện diện của khiếm khuyết lớp sợi thần kinh thái dương trên và sự hiện diện của khiếm khuyết lớp sợi thần kinh thái dương dưới). Họ gợi ý rằng thị trường, vốn phức tạp và không dễ triển khai khi sàng lọc, có thể tránh được bằng phương pháp tiếp cận này.

Dự đoán và tiên lượng

Đối với phân tích tiến trình thị trường, Goldbaum và cộng sự đã sử dụng Progression of Patterns (POP), một thuật toán phân loại máy học. [33] Yousefi và cộng sự đã chỉ ra rằng máy học phát hiện tiến triển thị trường nhất quán, không cần xác nhận thông qua thăm khám và thậm chí đối với tiến triển chậm. [34] Tất cả các phương pháp này lý tưởng nhất là có thể chạy trên các thiết bị đo thị trường di động như đo thị trường thực tế ảo dựa trên điện thoại thông minh như PeriScreener, VirtualEye và C3FA. [35]

Wen, Lee và các đồng nghiệp đã huấn luyện một hệ thống học sâu với 32.443 thị trường (24-2) được thực hiện từ năm 1998 đến năm 2018 và mô hình CascadeNet-5, kết quả có thể dự đoán các thị trường trong tương lai lên đến 5,5 năm dựa trên một thị trường đầu vào duy nhất. [36] Kazemian và cộng sự đã phát triển Bộ lọc Kalman và xác thực nó có thể dự đoán mô hình tiến triển được cá nhân hóa của độ lệch trung bình (MD) của các thị trường ở các mức nhãn áp đích khác nhau. [37] Đây sẽ là hướng dẫn hữu ích cho nhãn áp đích tùy chỉnh.

Triển vọng tương lai

Các thuật toán luôn trở nên tốt hơn, và trong tương lai gần, chúng ta có thể mong đợi có AI có độ nhạy và độ đặc hiệu cực kỳ tốt mà bác sĩ nhãn khoa không thể đạt được. Việc kết hợp kết quả của các xét nghiệm đánh giá bệnh glôcôm khác nhau có thể là phương pháp hứa hẹn nhất để đạt được chẩn đoán và tiên lượng hoàn hảo, nhưng thuận tiện nhất sẽ là nếu có một xét nghiệm duy nhất có thể được ngoại suy bằng AI để dự đoán xét nghiệm kia. Ví dụ, nếu một lần chụp OCT duy nhất có thể dự đoán thị trường bằng AI thông qua ngoại suy, điều đó sẽ giảm thời gian cần thiết để chẩn đoán xác nhận và do đó cho phép chẩn đoán và điều trị sớm.

Tài liệu tham khảo

1.  Akkara JD, Kuriakose A. Role of artificial intelligence and machine learning in ophthalmology. Kerala J Ophthalmol 2019;31:150-60. doi: 10.4103/kjo.kjo_54_19.

2. ↑ Akkara JD, Kuriakose A. Commentary: Rise of machine learning and artificial intelligence in ophthalmology. Indian Journal of Ophthalmology. 2019;67(7):1009. doi:10.4103/ijo.IJO_622_19

3. ↑ Kapoor R, Whigham BT, Al-Aswad LA. The Role of Artificial Intelligence in the Diagnosis and Management of Glaucoma. Curr Ophthalmol Rep. 2019;7(2):136-142. doi:10.1007/s40135-019-00209-w

4. ↑ Artificial Intelligence. Accessed May 29, 2020. https://www.lexico.com/definition/artificial_intelligence

5. ↑ Machine Learning. Accessed May 29, 2020. https://www.lexico.com/definition/machine_learning

6. ↑ Neural Network. Accessed May 29, 2020. https://www.lexico.com/en/definition/neural_network

7. ↑ Deep Learning. Accessed May 29, 2020. https://en.wikipedia.org/wiki/Deep_learning#Definition

8. ↑ Akkara JD, Kuriakose A. Role of artificial intelligence and machine learning in ophthalmology. Kerala Journal of Ophthalmology. 2019;31(2):150. doi:10.4103/kjo.kjo_54_19

9. ↑ Zheng C, Johnson TV, Garg A, Boland MV. Artificial intelligence in glaucoma. Current Opinion in Ophthalmology. 2019;30(2):97. doi:10.1097/ICU.0000000000000552

10. ↑ Martin KR, Mansouri K, Weinreb RN, et al. Use of Machine Learning on Contact Lens Sensor-Derived Parameters for the Diagnosis of Primary Open-angle Glaucoma. Am J Ophthalmol. 2018;194:46-53. doi:10.1016/j.ajo.2018.07.005

11. ↑ Li Z, He Y, Keel S, Meng W, Chang RT, He M. Efficacy of a Deep Learning System for Detecting Glaucomatous Optic Neuropathy Based on Color Fundus Photographs. Ophthalmology. 2018;125(8):1199-1206. doi:10.1016/j.ophtha.2018.01.023

12. ↑ Al-Aswad LA, Kapoor R, Chu CK, et al. Evaluation of a Deep Learning System for Identifying Glaucomatous Optic Neuropathy Based on Color Fundus Photographs. J Glaucoma. Published online June 21, 2019. doi:10.1097/IJG.0000000000001319

13. ↑ Cerentini A, Welfer D, Cordeiro d’Ornellas M, Pereira Haygert CJ, Dotto GN. Automatic Identification of Glaucoma Using Deep Learning Methods. Stud Health Technol Inform. 2017;245:318-321.

14. ↑ Haleem MS, Han L, Hemert J van, et al. A Novel Adaptive Deformable Model for Automated Optic Disc and Cup Segmentation to Aid Glaucoma Diagnosis. J Med Syst. 2017;42(1):20. doi:10.1007/s10916-017-0859-4

15. ↑ Thompson AC, Jammal AA, Medeiros FA. A Deep Learning Algorithm to Quantify Neuroretinal Rim Loss From Optic Disc Photographs. Am J Ophthalmol. 2019;201:9-18. doi:10.1016/j.ajo.2019.01.011

16. ↑ Retinal Image Analysis - Glaucoma. Accessed May 6, 2020. http://www.kalpah.com/RIAG_brochure.pdf

17. ↑ Cifuentes-Canorea P, Ruiz-Medrano J, Gutierrez-Bonet R, et al. Analysis of inner and outer retinal layers using spectral domain optical coherence tomography automated segmentation software in ocular hypertensive and glaucoma patients. PLoS ONE. 2018;13(4):e0196112. doi:10.1371/journal.pone.0196112

18. ↑ Omodaka K, An G, Tsuda S, et al. Classification of optic disc shape in glaucoma using machine learning based on quantified ocular parameters. PLoS ONE. 2017;12(12):e0190012. doi:10.1371/journal.pone.0190012

19. ↑ Muhammad H, Fuchs TJ, De Cuir N, et al. Hybrid Deep Learning on Single Wide-field Optical Coherence tomography Scans Accurately Classifies Glaucoma Suspects. J Glaucoma. 2017;26(12):1086-1094. doi:10.1097/IJG.0000000000000765

20. ↑ Asaoka R, Murata H, Hirasawa K, et al. Using Deep Learning and Transfer Learning to Accurately Diagnose Early-Onset Glaucoma From Macular Optical Coherence Tomography Images. Am J Ophthalmol. 2019;198:136-145. doi:10.1016/j.ajo.2018.10.007

21. ↑ Christopher M, Belghith A, Weinreb RN, et al. Retinal Nerve Fiber Layer Features Identified by Unsupervised Machine Learning on Optical Coherence Tomography Scans Predict Glaucoma Progression. Invest Ophthalmol Vis Sci. 2018;59(7):2748-2756. doi:10.1167/iovs.17-23387

22. ↑ Barella KA, Costa VP, Gonçalves Vidotti V, Silva FR, Dias M, Gomi ES. Glaucoma Diagnostic Accuracy of Machine Learning Classifiers Using Retinal Nerve Fiber Layer and Optic Nerve Data from SD-OCT. J Ophthalmol. 2013;2013:789129. doi:10.1155/2013/789129

23. ↑ Bizios D, Heijl A, Hougaard JL, Bengtsson B. Machine learning classifiers for glaucoma diagnosis based on classification of retinal nerve fibre layer thickness parameters measured by Stratus OCT. Acta Ophthalmol. 2010;88(1):44-52. doi:10.1111/j.1755-3768.2009.01784.x

24. ↑ Larrosa JM, Polo V, Ferreras A, García-Martín E, Calvo P, Pablo LE. Neural Network Analysis of Different Segmentation Strategies of Nerve Fiber Layer Assessment for Glaucoma Diagnosis. J Glaucoma. 2015;24(9):672-678. doi:10.1097/IJG.0000000000000071

25. ↑ Fu H, Xu Y, Lin S, et al. Segmentation and Quantification for Angle-Closure Glaucoma Assessment in Anterior Segment OCT. IEEE Trans Med Imaging. 2017;36(9):1930-1938. doi:10.1109/TMI.2017.2703147

26. ↑ Niwas SI, Lin W, Bai X, et al. Automated anterior segment OCT image analysis for Angle Closure Glaucoma mechanisms classification. Computer Methods and Programs in Biomedicine. 2016;130:65-75. doi:10.1016/j.cmpb.2016.03.018

27. ↑ Asaoka R, Murata H, Iwase A, Araie M. Detecting Preperimetric Glaucoma with Standard Automated Perimetry Using a Deep Learning Classifier. Ophthalmology. 2016;123(9):1974-1980. doi:10.1016/j.ophtha.2016.05.029

28. ↑ Li F, Wang Z, Qu G, et al. Automatic differentiation of Glaucoma visual field from non-glaucoma visual filed using deep convolutional neural network. BMC Med Imaging. 2018;18(1):35. doi:10.1186/s12880-018-0273-5

29. ↑ Goldbaum MH, Sample PA, Zhang Z, et al. Using unsupervised learning with independent component analysis to identify patterns of glaucomatous visual field defects. Invest Ophthalmol Vis Sci. 2005;46(10):3676-3683. doi:10.1167/iovs.04-1167

30. ↑ Andersson S, Heijl A, Bizios D, Bengtsson B. Comparison of clinicians and an artificial neural network regarding accuracy and certainty in performance of visual field assessment for the diagnosis of glaucoma. Acta Ophthalmol. 2013;91(5):413-417. doi:10.1111/j.1755-3768.2012.02435.x

31. ↑ Bowd C, Weinreb RN, Balasubramanian M, et al. Glaucomatous patterns in Frequency Doubling Technology (FDT) perimetry data identified by unsupervised machine learning classifiers. PLoS ONE. 2014;9(1):e85941. doi:10.1371/journal.pone.0085941

32. ↑ Oh E, Yoo TK, Hong S. Artificial Neural Network Approach for Differentiating Open-Angle Glaucoma From Glaucoma Suspect Without a Visual Field Test. Invest Ophthalmol Vis Sci. 2015;56(6):3957-3966. doi:10.1167/iovs.15-16805

33. ↑ Goldbaum MH, Lee I, Jang G, et al. Progression of patterns (POP): a machine classifier algorithm to identify glaucoma progression in visual fields. Invest Ophthalmol Vis Sci. 2012;53(10):6557-6567. doi:10.1167/iovs.11-8363

34. ↑ Yousefi S, Kiwaki T, Zheng Y, et al. Detection of Longitudinal Visual Field Progression in Glaucoma Using Machine Learning. American Journal of Ophthalmology. 2018;193:71-79. doi:10.1016/j.ajo.2018.06.007

35. ↑ Akkara JD, Kuriakose A. Review of recent innovations in ophthalmology. Kerala Journal of Ophthalmology. 2018;30(1):54. doi:10.4103/kjo.kjo_24_18

36. ↑ Wen JC, Lee CS, Keane PA, et al. Forecasting future Humphrey Visual Fields using deep learning. PLOS ONE. 2019;14(4):e0214875. doi:10.1371/journal.pone.0214875

37. ↑ Kazemian P, Lavieri MS, Oyen MPV, Andrews C, Stein JD. Personalized Prediction of Glaucoma Progression Under Different Target Intraocular Pressure Levels Using Filtered Forecasting Methods. Ophthalmology. 2018;125(4):569-577. doi:10.1016/j.ophtha.2017.10.033