系统梳理深度学习在青光眼检测中的进展与挑战
Trends, Challenges, and Future Directions in Deep Learning for Glaucoma: A Systematic Review
- 按数据模态、处理策略、模型架构三方面系统分析
- 发现近年研究多聚焦于OCT图像与多模态融合
- 适合眼科AI研究者和医疗科技从业者参考
本文基于PRISMA指南，系统回顾深度学习在青光眼检测中的最新进展。研究聚焦于三方面：输入数据模态、处理策略以及模型架构与应用。同时分析了自深度学习进入该领域以来各方面的演变趋势。最后，总结当前面临的挑战，并提出未来研究方向。研究涵盖多种数据源，包括视网膜成像与光学相干断层扫描（OCT），并强调多模态融合与可解释性的重要性。
原文摘要 · Abstract (English)
Here, we examine the latest advances in glaucoma detection through Deep Learning (DL) algorithms using Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA). This study focuses on three aspects of DL-based glaucoma detection frameworks: input data modalities, processing strategies, and model architectures and applications. Moreover, we analyze trends in employing each aspect since the onset of DL in this field. Finally, we address current challenges and suggest future research directions.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。