近视是全球性的公共卫生问题。据估计，到2050年57%的国家的近视流行率将超过50%[1]。世界卫生组织2019年报告表明，全球至少有22亿人患有视力损伤或盲症，其中至少有10亿人的视力损伤本可以预防或尚有治愈的可能[2]。由于近视的症状并不典型，因此在发展的早期阶段往往被父母忽视。然而，如果低度近视得不到控制，就会导致高度近视和非常严重的致盲性眼部并发症。作为一种目前难以完全治愈的疾病，预防近视的发作和进展至关重要。对未来视力变化的准确预测可以帮助具有近视风险的儿童和青少年进行早期干预，以延迟近视发病或减缓近视进展[3]。近年来，近视预测引起了人们的广泛关注，已有许多研究人员开发了各自的预测模型来预测不同人群的近视或高度近视风险[4]。Spadon等人认为，疾病的时间动态可以提供比静态症状更多的信息[5]。然而，在真实的视力记录中，历史记录之间时间间隔的不均匀分布使得时间特征的提取非常困难。
近日，电子科技大学大数据研究中心、四川大学华西医院眼科、成都小艾眼科、成都寻道科技计算教育实验室和云南大学软件学院软件工程重点实验室联合在Scientific Reports发表题为《Myopia prediction for children and adolescents via time-aware deep learning》的研究论文，其中黄峻嘉为第一作者，马薇与周涛为共同通讯作者。该论文分析了2019年10月到2022年3月成都市武侯区共37586名6-20岁儿童和青少年75172只眼睛的视力筛查记录，以回顾性分析为研究方法，使用T-LSTM（Time-Aware Long Short-Term Memory）来捕捉不规则采样时序数据中的时间特征，可实现基于不定长历史视力记录对未来两年半内等效球镜（SE）的定量预测。模型在测试集上对未来等效球镜预测的平均绝对值误差（MAE）为0.103±0.140（D），远远小于临床上可接受的等效球镜预测误差0.75（D）[6]。
T-LSTM是LSTM（Long Short-Term Memory）的一个变体，如图1所示，其在标准LSTM的基础上引入时间间隔信息，根据时间间隔对短期记忆做衰减，以便能够捕获具有时间不规则性序列数据的时间动态信息[7]。T-LSTM接受两个输入，即输入当前记录和当前时间步长经过的时间。T-LSTM相对于标准LSTM的主要改变是对前一个时间步长的子空间分解，根据记录之间的时间跨度来调整短期记忆。T-LSTM的子空间分解方法不改变当前输入对当前输出的影响，而是改变了之前的记忆对当前输出的影响。该论文将T-LSTM应用到近视预测中，能够处理现实中长度不确定的历史视力记录序列，通过单独处理历史记录间的时间间隔特征，很好地捕捉时间间隔对视力变化的影响，更加符合真实数据特点，具有广泛的适用性。
图1. LSTM，T-LSTM结构图及T-LSTM在近视预测中的应用。其中x表示历史视力记录，C为细胞状态，表示的是长期记忆，h为隐藏状态，表示的是短期记忆；Δt为xt与xt-1记录之间的间隔时间；σ为sigmoid激活函数；tanh为tanh激活函数。
如表1所示，在与线性回归（LR）、随机森林(RF)及标准LSTM的对比中，T-LSTM的预测误差明显优于其他三种模型。T-LSTM和LSTM优于RF和LR的原因在于前两个模型均为循环神经网络（RNN）模型，具有捕获数据中长期依赖关系的能力；而T-LSTM优于LSTM的原因在于前者可以通过单独处理时间间隔数据更好地捕获时间特征。
表1. 不同模型预测误差对比。
该论文研究成果不仅可以为医疗机构统计分析提供一定参考，还可以使家长更加直观地了解孩子未来一段时间内视力下降的程度，从而引导监护人带孩子进行及时的近视矫正和早期近视预防，其重要性和主动性甚于医疗机构的后期干预，有助于儿童和青少年早期近视的预防和控制。
参考文献
[1] Holden, B. A. et al. Global prevalence of myopia and high myopia and temporal trends from 2000 through 2050. Ophthalmology 123, 1036–1042. https://doi.org/10.1016/j.ophtha.2016.01.006 (2016).
[2] Organization, W. H. World Report on Vision (2019).
[3] Sankaridurg, P. et al. Imi impact of myopia. Investig. Ophthalmol. Vis. Sci. 62, 2. https://doi.org/10.1167/iovs.62.5.2 (2021).
[4] Han, X., Liu, C., Chen, Y. & He, M. Myopia prediction: A systematic review. Eye 36, 921–929. https://doi.org/10.1038/s41433-021-01805-6 (2022).
[5] Spadon, G. et al. Pay attention to evolution: Time series forecasting with deep graph-evolution learning. IEEE Trans. Pattern Anal. Mach. Intell. 44, 5368–5384. https://doi.org/10.1109/TPAMI.2021.3076155 (2021).
[6] Lin, H. et al. Prediction of myopia development among chinese school-aged children using refraction data from electronic medi-cal records: A retrospective, multicentre machine learning study. PLoS Med. 15, e1002674. https://doi.org/10.1371/journal.pmed.1002674 (2018).
[7] Baytas, I. M. et al. Patient subtyping via time-aware lstm networks. In Proceedings of the 23rd ACM SIGKDD International Confer-ence on Knowledge Discovery and Data Mining 65–74 (2017). https://doi.org/10.1145/3097983.3097997.
论文信息
J. Huang, W. Ma, R. Li, N. Zhao, T. Zhou, Myopia prediction for children and adolescents via time-aware deep learning, Scientific Reports 13 (2023) 5430.
论文链接
https://www.nature.com/articles/s41598-023-32367-0
全文免费下载
