PURPOSE To quantify the central visual field (VF) loss patterns in glaucoma using artificial intelligence. DESIGN Retrospective study. PARTICIPANTS VFs of 8712 patients with 13 951 Humphrey 10-2 test results from 13 951 eyes for cross-sectional analyses, and 824 patients with at least 5 reliable 10-2 test results at 6-month intervals or more from 1191 eyes for longitudinal analyses. METHODS Total deviation values were used to determine the central VF patterns using the most recent 10-2 test results. A 24-2 VF within a 3-month window of the 10-2 tests was used to stage eyes into mild, moderate, or severe functional loss using the Hodapp-Anderson-Parrish scale at baseline. Archetypal analysis was applied to determine the central VF patterns. Cross-validation was performed to determine the optimal number of patterns. Stepwise regression was applied to select the optimal feature combination of global indices, average baseline decomposition coefficients from central VFs archetypes, and other factors to predict central VF mean deviation (MD) slope based on the Bayesian information criterion (BIC). MAIN OUTCOME MEASURES The central VF patterns stratified by severity stage based on 24-2 test results and a model to predict the central VF MD change over time using baseline test results. RESULTS From cross-sectional analysis, 17 distinct central VF patterns were determined for the 13 951 eyes across the spectrum of disease severity. These central VF patterns could be divided into isolated superior loss, isolated inferior loss, diffuse loss, and other loss patterns. Notably, 4 of the 5 patterns of diffuse VF loss preserved the less vulnerable inferotemporal zone, whereas they lost most of the remaining more vulnerable zone described by the Hood model. Inclusion of coefficients from central VF archetypical patterns strongly improved the prediction of central VF MD slope (BIC decrease, 35; BIC decrease of >6 indicating strong prediction improvement) than using only the global indices of 2 baseline VF results. Eyes with baseline VF results with more superonasal and inferonasal loss were more likely to show worsening MD over time. CONCLUSIONS We quantified central VF patterns in glaucoma, which were used to improve the prediction of central VF worsening compared with using only global indices.

中文翻译：

---

青光眼中央视野模式的人工智能分类。

目的使用人工智能量化青光眼的中央视野（VF）丢失模式。设计回顾性研究。参与者的VFs有13 951眼的13951汉弗莱10-2测试结果，用于横断面分析； 824例具有至少5项可靠的10-2测试结果，间隔6个月或更长时间，从1191眼进行纵向分析。方法使用最新的10-2测试结果，使用总偏差值确定中心VF模式。在基线水平使用Hodapp-Anderson-Parrish量表，在10-2测试的3个月窗口内使用24-2 VF将眼睛分为轻度，中度或严重功能丧失。应用原型分析确定中央VF模式。进行交叉验证以确定最佳图案数量。应用逐步回归来选择全局指数，中心VF原型的平均基线分解系数和其他因素的最佳特征组合，以基于贝叶斯信息准则（BIC）预测中心VF平均偏差（MD）斜率。主要观察指标中心VF模式基于24-2测试结果按严重性分级分层，并使用基线测试结果预测中心VF MD随时间变化的模型。结果从横断面分析中，在疾病严重程度的整个频谱中，为13 951只眼睛确定了17种不同的中央VF模式。这些中心VF模式可分为孤立的上丢失，孤立的下丢失，弥散丢失和其他丢失模式。值得注意的是，在5种弥散性VF丧失模式中，有4种保留了较不脆弱的下颞下区，而他们失去了Hood模型描述的大多数剩余的更脆弱区域。与仅使用2个基线VF结果的整体指标相比，包含中心VF原型模式的系数极大地改善了中心VF MD斜率的预测（BIC降低35； BIC降低> 6表示强烈的预测改善）。随着时间的流逝，基线VF结果具有较高的上鼻和下鼻损失的眼睛更有可能显示出恶化的MD。结论我们定量了青光眼的中心VF模式，与仅使用整体指标相比，这些模式可用于改善对中心VF恶化的预测。与仅使用2个基线VF结果的整体指标相比，包含中心VF原型模式的系数极大地改善了中心VF MD斜率的预测（BIC降低35； BIC降低> 6表示强烈的预测改善）。随着时间的流逝，基线VF结果具有更多的上鼻孔和下鼻孔损失的眼睛更有可能显示出恶化的MD。结论我们定量了青光眼的中心VF模式，与仅使用整体指标相比，这些模式可用于改善对中心VF恶化的预测。与仅使用2个基线VF结果的整体指标相比，包含中心VF原型模式的系数极大地改善了中心VF MD斜率的预测（BIC降低35； BIC降低> 6表示强烈的预测改善）。随着时间的流逝，基线VF结果具有更多的上鼻孔和下鼻孔损失的眼睛更有可能显示出恶化的MD。结论我们定量了青光眼的中心VF模式，与仅使用整体指标相比，这些模式可用于改善对中心VF恶化的预测。