青光眼是世界范围内不可逆性失明的主要原因之一，其特征是结构损伤和功能丧失。青光眼患者往往拥有慢性病程，需要进行长期随访。预后预测能够帮助医师更好地制定诊疗方案。然而，现有的公共青光眼数据集几乎都是横断面的，主要聚焦于眼底照中的视盘分割及青光眼诊断。而随着人工智能（AI）的发展，深度学习模型已经可以在纵向数据集的支持下对青光眼的未来视野及其进展进行准确预测。纵向多模态数据的提供对青光眼AI的发展至关重要。

2023年8月5日，浙江大学叶娟及金凯团队（黄笑羚为本文的第一作者）在Scientific Data在线发表题为“GRAPE: A multi-modal dataset of longitudinal follow-up visual field and fundus images for glaucoma management”的研究性论文。

该团队构建了一个公开的纵向青光眼真实世界进展评估数据集（GRAPE）。GRAPE数据集包含263只眼睛的1115个随访记录，包括视野、眼底图像、眼压、OCT测量值和其他相关的临床信息，对眼底图像进行了视盘视杯分割，并以不同的进展定义方式对视野是否进展进行了标注。为了验证数据库的可行性，该团队构建了两个基线模型，利用眼底照进行视野及其进展的预测。该数据集将推动人工智能在青光眼管理方面的研究。由于治疗困难，青光眼患者通常伴有慢性进行性病程。在长期随访中，标准自动视野计进行的视野检查和眼压监测对青光眼患者的视觉功能评估具有重要意义。而彩色眼底照片和光学相干断层扫描（OCT）也经常被用来检测青光眼患者的眼底结构损伤。

随着AI的发展，更多的研究开始关注青光眼的预后，并使用一些眼底生物特征参数或医学图像来预测青光眼的发生和发展。同时，由于视野测试具有相当大的重测变异性以及需要患者较高的配合度，先前的研究还提出了各种机器学习和深度学习模型，根据结构参数或医学图像来预测视野。这些有关于青光眼评估的AI模型的开发均需要患者完整的随访检查数据。然而现有的大多数包含眼底照或OCT图像的横断面数据集都集中在青光眼诊断上，无法评估随访期间产生的纵向变化。该研究提出了一个青光眼真实世界进展评估数据集（GRAPE），包括基线和随访期间的视野值、眼压、OCT测量值、眼底图像和其他相关临床数据。该数据集记录了青光眼患者的完整随访过程，可用于青光眼的进展预测与随访治疗。该数据集将极大程度地促进基于AI的青光眼预后预测研究。