GRAPE — 青光眼纵向视野与眼底随访多模态数据集

INFOBOX — GRAPE 一屏速览

维度	内容
本质	青光眼纵向随访多模态数据集（视野+眼底彩照+OCT+临床），非横断面分割数据集
缩写正解	Glaucoma Real-world Appraisal Progression Ensemble（青光眼真实世界进展评估集成）
团队	浙江大学医学院附属第二医院眼科中心；通讯 Kai Jin（金凯）与 Juan Ye（叶娟）；一作 Xiaoling Huang（黄笑羚）
论文	Sci Data. 2023 Aug 5;10:520（doi:10.1038/s41597-023-02424-4；PMCID PMC10404253）
数据	144 患者 / 263 眼 / 1115 次随访记录；2015–2022 采集；平均随访 2.51 年
模态	Octopus 900 视野（61 点）+ 眼底彩照 631 张 + OCT RNFL 厚度 + IOP/CCT/临床
标注	视盘/视杯分割（JSON 坐标）+ 视野进展三口径标签（PLR2/PLR3/MD）
核心任务	① 视野进展分类 ② 视野数值估计（结构→功能）③ 视盘/视杯分割
进展比例	PLR2 15.21% ｜ PLR3 5.32% ｜ MD 10.27%
基线结果	进展预测 AUC 0.71/0.80/0.73；视野估计最优 MAE 4.029 dB（ROI）
获取	Figshare collection（DOI 10.6084/m9.figshare.c.6406319），自助下载
许可	数据集 CC0 1.0（公共领域）｜论文 CC BY 4.0
库内互链	papila（rid 765，视盘视杯分割）、messidor（rid 59，眼底彩照）、eyepacs（rid 58，眼底大规模）

GRAPE 是一个把青光眼"长期随访"这件事第一次完整搬进公开数据集的作品。此前的公开青光眼数据集几乎都是横断面的——一张眼底照配一个诊断，聚焦在视盘视杯分割和"是不是青光眼"；而青光眼恰恰是一种需要几年、十几次复查才能看清走向的慢性病。GRAPE 的答案是：不做新的横断面采集，而是把浙江大学医学院附属第二医院眼科中心 2015 到 2022 年间 144 名青光眼患者、263 只眼睛、1115 次随访的整条时间线打包公开——每次随访的视野、眼底彩照、眼压、治疗信息都在，并额外标注了视盘/视杯边界与"这只眼是否在进展"的三套算法标签。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——数据集是 CC0，Figshare 自助下载，许可宽松到几乎没有约束，别被"医学数据集"三个字吓退。
2. 关心进展预测建模：直奔 §4 的进展标签三口径（PLR2/PLR3/MD）与 §7 的基线结果——GRAPE 的价值全在"纵向"两个字。
3. 想找横向分割数据：GRAPE 不是你的首选，它只在基线提供了视盘/视杯分割（§5）；横向分割需求请转库内 papila（rid 765）等条目，§9 有对照表。

§0 导读：这个数据集解决什么问题

青光眼是全球不可逆性失明的首要原因之一：2013 年的估计是全球已有超过 6430 万人受累，并预计到 2040 年升至 1.118 亿（论文引 Tham 等 2014 年系统综述）。它由视网膜神经节细胞丢失驱动，表现为视神经乳头（optic nerve head, ONH）损害、视野（visual field, VF）缺损与眼压（intraocular pressure, IOP）升高三类风险因素，病程迁延、需要长期随访。临床上，医生靠标准自动视野计（standard automated perimetry, SAP）定期复查视野、靠眼压监测和眼底彩照（color fundus photograph, CFP）/光学相干断层扫描（optical coherence tomography, OCT）判断结构损害——"这只眼睛未来会不会继续恶化"是青光眼管理中最关键也最难回答的问题。

人工智能本可以在这件事上出力：深度学习模型已被证明能在纵向数据支持下预测未来视野的数值及其进展。但论文一针见血地指出，公开数据集的供给结构长期失衡，分两类各缺一半：

• 一类是"结构"数据：RIGA、ORIGA、DRISHTI-GS、REFUGE、PAPILA 等知名眼底数据集，专注视盘（OD）/视杯（OC）分割与青光眼筛查，本质是横断面的——一次成像、一个标签，无法评估随访期间产生的纵向变化。
• 一类是"功能/记录"数据：如 UWHVF（美国华盛顿大学开源视野数据集，含 28943 份视野）与"标注青光眼用药数据集"（480 条 EHR 临床记录，用于 NLP 建模），但前者只有视野值、后者只有文本记录，都不包含完整的多模态随访检查。

于是出现了这样的空白：想用眼压或眼底彩照去预测未来视野的模型，在这些数据上都跑不起来（论文原文：“Future VF progression prediction from IOP or CFP cannot be realized on these datasets”）。GRAPE 填的就是这个空白——它是首个把临床信息、视野值、OCT 测量与眼底彩照在"基线与随访全程"对齐公开的纵向青光眼数据集，可同时支撑进展预测与视野估计两类任务。

§0 读法三则：

1. 这个条目是"纵向队列数据集 + 方法论文 + 基线基准"三合一：本体是 263 眼 1115 次随访的多模态记录（§2），衍生基准是论文里的两个 ResNet-50 基线（§7），方法学贡献是三种视野进展判定口径的落地（§4）。
2. 全文数字均出自论文正文、Table 1/2/3 与 Figshare 元数据；正文与表格的一处年龄口径冲突、以及第三方目录对视野设备的误标，已在 §9 与坑点中存照。
3. 检索 GRAPE 时若按"血管分割（vessel）"方向找会落空——GRAPE 不含血管分割标注，其分割任务只有视盘/视杯（坑 1）。不要把任务头 brief 里的展开当作官方身份。

§0.1 “横断面"与"纵向”：一个必须分清的分野

理解 GRAPE 的价值，先要理解一个分野。眼科 AI 世界长期被**横断面（cross-sectional）**数据集主导：

• 横断面 = 一个时间点、一次成像、一个标签。代表：RIGA、ORIGA、DRISHTI-GS、REFUGE、PAPILA。它们回答"这张眼底照是不是青光眼"“视盘视杯在哪”。
• 纵向（longitudinal） = 同一对象多个时间点、多次成像、可看趋势。代表（在 GRAPE 之前）：UWHVF（只有视野）、Annotated Glaucoma Medication Dataset（只有文本）。

横断面数据无法回答的问题，恰恰是临床最关心的：这只眼睛未来会怎样？ 青光眼是慢性进展疾病，一次检查只给快照，趋势才决定治疗决策。GRAPE 的分野价值就在于：它是首个把"结构（彩照/OCT）+ 功能（视野）+ 临床（IOP/CCT）"三者都按纵向对齐公开的数据集——同一只眼的多个时间点，多模态齐备。这是它区别于库内 messidor、eyepacs、papila 的根本维度。

§1 数据集速览：十问十答

Q1：GRAPE 到底是什么？名字怎么来的？
GRAPE = Glaucoma Real-world Appraisal Progression Ensemble（青光眼真实世界进展评估集成）。论文原文写作 “glaucoma real-world appraisal progression ensemble (GRAPE) dataset”。它是一个公开的纵向青光眼数据集，采集自浙江大学医学院附属第二医院眼科中心（ZJU-2）真实门诊与随访场景。

Q2：规模有多大？
144 名青光眼患者、263 只眼、共 1115 条随访记录，采集窗口 2015–2022 年，患者年龄 18–81 岁（平均约 42.5 岁）。每只眼有 3–9 次随访，相邻两次随访间隔多于 5 个月。数据集大小约 1.5 GB（第三方目录口径）。

Q3：每次随访都包含哪些模态？
随访记录含视野（61 个测试点数值）、对应的眼底彩照（部分访次无）、眼压 IOP、采集设备与分辨率；基线（baseline）额外含年龄、性别、眼别、CCT、青光眼分型、OCT RNFL 厚度（总及 S/N/I/T 四象限）、总随访次数与进展状态。注意：OCT 只在基线有，随访期没有。

Q4：视野是怎么采集和编码的？
用 OCTOPUS 900 视野计（HAAG-STREIT, Switzerland）的 G1 程序、刺激大小 III，由两名经验技师操作。假阴性率或假阳性率 ≥30% 的检查被判不可靠并剔除。视野值取自报告中的 “Values”（等于 HFA 的光敏感度值），按左右眼镜像顺序提取以统一格式；无法感知最低光强度的点与两个盲点被赋值为 −1。最终以 61 列数字形式进表。

Q5：眼底彩照什么规格？
由两台相机家族三款设备拍摄（TRC-NW8/TOPCON、CR-2 PLUS AF/CANON、CR-2 AF/CANON），50° 视野居中黄斑、不散瞳，JPG 格式，三档分辨率 1556×1556、2136×2136、1611×1611。质量差（50% 面积遮挡或仅部分视盘可见）的剔除；同一访次同眼多张时取质量最佳者。共 631 张原始彩照。

Q6：标注了什么？
两类核心标注：① 视盘/视杯分割——一名经验眼科医生在视盘周围方形 ROI 上勾画，视杯边界为红线、视盘边界为绿线，输出 631 个 JSON 记录 XY 坐标，并附 draw.py 绘图代码；② 视野进展标签——用三种算法口径（PLR2/PLR3/MD）判定每只眼是否进展。

Q7：三种进展口径有何区别？

• PLR2：逐点线性回归，显著负斜率（P<0.01）的测试点数 ≥2 判进展；
• PLR3：同法但阈值 ≥3 判进展（更严格）；
• MD：平均偏差（mean deviation）随时间负线性回归且 P<0.05 判进展。
  用 R 的开源 visual Fields package 计算（已改造以兼容 Octopus 视野）。结果：PLR2 进展 40 眼（15.21%）、PLR3 进展 14 眼（5.32%）、MD 进展 27 眼（10.27%）。

Q8：论文做了哪些基线实验？
两个基于 ResNet-50 的基线：① 视野进展预测——输入基线眼底彩照，输出是否进展，PLR2/PLR3/MD 三口径 AUC 分别 0.71/0.80/0.73、准确率 0.75/0.91/0.81；② 视野数值估计——输入彩照/ROI/ROI+视盘视杯分割，回归 61 点光敏感度，最优（ROI 输入）MAE 4.029 dB、R² 0.306。

Q9：许可和获取方式？
数据集以 CC0 1.0 公共领域贡献形式发布于 Figshare（collection DOI 10.6084/m9.figshare.c.6406319），无需授权即可使用；论文为 CC BY 4.0 开放获取。这是库内许可最宽松的医学数据集之一。

Q10：为什么它对 AI-Ready 重要？
它补上了一个长期空缺的生态位——纵向随访。库内眼底条目（messidor、eyepacs、papila）几乎都是"一图一标"的横断面结构，GRAPE 提供了"同一只眼随时间变化"的时间维度，使进展预测、结构-功能关系、纵向建模这类任务第一次有了公开的多模态真实世界底料。

§2 数据构成与规格

2.1 规模、来源与人群构成

GRAPE 的全部数据采集自浙江大学医学院附属第二医院眼科中心（Eye Center, The Second Affiliated Hospital, School of Medicine, Zhejiang University），时间跨度为 2015 至 2022 年。研究为注册临床研究（ClinicalTrials.gov 编号 NCT04718532，“A New Technique for Retinal Disease Treatment”），伦理批件为 ZJU-2 伦理委员会 No. Y2020–1027，遵循《赫尔辛基宣言》与《健康可携带性与责任法案》（HIPAA）。每位参与者均签署书面知情同意。

数据集的"三层计数"需要分清——这是读 GRAPE 时最容易混淆的地方：

计数层级	数值	说明
患者（patients）	144	纳入研究的青光眼患者人数
眼（eyes）	263	患者双眼未必都纳入，实际统计单位
随访记录（records / visits）	1115	每眼每次随访算一条记录

人群画像（Table 2）：

• 平均年龄 42.51 岁（SD 15.41），范围 18–81 岁（正文另处写 42.49 岁，存照见 §9）；
• 男性 75 人（52.08%），女性其余，性别基本平衡；
• 右眼 130 只（49.43%），左右眼基本平衡；
• 开角型青光眼（OAG）139 眼（96.53%），其余为闭角型青光眼（ACG）——OAG 占压倒多数，作者解释与 OAG 诊断需完整检查且随访周期长有关；
• 平均随访次数 4.21 次（SD 1.31），平均随访年数 2.51 年（SD 1.01），平均相邻间隔 0.81 年（SD 0.41）。

视野缺损程度：Baseline MD 平均 −7.11 dB（SD 5.71），Total MD 平均 −7.21 dB（SD 5.71）——属轻中度缺损区间，中重度者大多被排除（见 2.5）。

2.2 模态规格逐项

GRAPE 是真正的多模态纵向数据集，每条随访记录的字段按模态归拢如下：

视野（VF）：OCTOPUS 900 视野计，G1 程序，刺激大小 III，61 个测试点。三类异常值处理：不可感知点 = −1、两个盲点 = −1、假阴性/假阳性率 ≥30% 剔除。

眼底彩照（CFP）：非散瞳，50° 视野居中黄斑，三款设备三档分辨率（1556×1556 / 2136×2136 / 1611×1611），JPG，共 631 张。

OCT：CIRRUS HD-OCT 5000（Carl Zeiss Meditec, USA），ONH and RNFL Analysis，Optical Disc 200×200 扫描模式；输出总平均及 4 象限（S 上、N 鼻、I 下、T 颞）视盘周围视网膜神经纤维层（RNFL）厚度。仅基线采集。

IOP / CCT：非接触眼压计 NT-530P（NIDEK, Japan），每眼自动测 3 次取平均；IOP 与 CCT 同设备。测量前会提前告知患者"将有气流喷出"以避免惊吓造成的误差。

临床信息：来自医院 EHR 系统；基本信息与病史由临床医生或护士在就诊过程中问询。

2.3 两表结构与列定义

数据集的核心是 Excel 文件 “VF and clinical information”，含两个 sheet：

Sheet “Baseline”（263 行 × 80 列）——每行对应一只眼。末 61 列为视野值（61 个测试点）。其余关键列：

列名	含义
Subject Number	受试者编号（1–144）
Laterality	眼别（OD 右眼 / OS 左眼）
Age	年龄
Gender	性别（M / F）
IOP	眼压
CCT	角膜中央厚度
Total Visits	该眼总随访次数
Progression Status-PLR2	PLR2 判定的进展状态（0 无 / 1 有）
Progression Status-PLR3	PLR3 判定的进展状态
Progression Status-MD	MD 判定的进展状态
Category of Glaucoma	青光眼分型（OAG 开角 / ACG 闭角）
OCT RNFL thickness	含 Mean 总、S/N/I/T 四象限
Corresponding CFP	对应彩照文件名
Acquisition Device	拍摄设备
Resolution	彩照分辨率

Sheet “Follow-up”（1115 行 × 69 列）——每行对应一次随访。同样末 61 列为视野值。关键列：Subject Number、Laterality、Visit Number（距基线的访次序号）、Interval Years（距基线的间隔年数）、IOP、Corresponding CFP、Acquisition Device、Resolution、VF。

表中符号 “/” 表示该次访次未生成对应的彩照或 OCT 检查。

文件命名规则：<subject number>_<laterality>_<visit number>.jpg（彩照）与同名 .json（分割标注）。数据集将原始彩照放一个文件夹、处理后图像与标注文件放另一个文件夹。

2.4 图像预处理：ROI 裁剪与视盘视杯标注

青光眼的眼底表现集中在视盘周围——视盘沿变窄（OD rim narrowing）、杯盘比（cup-to-disc ratio, CDR）增大、大范围视盘旁萎缩（parapapillary atrophy）、RNFL 缺损。为了让 AI 模型更容易识别这些特征，论文对彩照做了两步预处理：

1. ROI 裁剪：一名经验眼科医生以视盘为中心裁剪出一个方形区域，并尽可能保留视盘旁萎缩结构。三款设备对应 ROI 尺寸为 453×453、566×566、432×432 像素。所有彩照均已隐藏个人隐私信息。
2. 视盘/视杯分割标注：在同一医生使用标注工具于 ROI 上勾画——红圈为视杯（OC）边界，绿圈为视盘（OD）边界。提供原始 JSON 标注（记录 XY 坐标）与可复现的 draw.py 绘图代码。

2.5 纳入与排除标准

纳入：确诊的**开角型青光眼（OAG）与闭角型青光眼（ACG）**患者。诊断由高级门诊医师初诊，再由 3 名青光眼专家按美国眼科学会（AAO）青光眼 Preferred Practice Pattern 指南共同确认。

排除四类：

1. 合并其他视神经疾病者；
2. 合并严重视网膜疾病者（如玻璃体出血、视网膜脱离）；
3. 严重屈光介质混浊者；
4. 已行青光眼手术者（此条是为了让随访期患者基本处于"药物控制"状态，降低手术对进展判定的干扰）。

排除标准的直接后果是数据集只覆盖轻中度、未手术的青光眼人群，这一偏斜是数据集最主要的方法学局限（见 §8 与 §10）。

2.6 数据文件清单

论文明确数据集主体含 6 个部分：1 个 Excel 文件、4 个 zip 压缩包、1 个 Python 文件。zip 解压后对应文件夹。

编号	文件/文件夹	内容
1	Excel “VF and clinical information”	Baseline + Follow-up 两表
2	CFPs（zip）	631 张原始非散瞳眼底彩照（JPG）
3	json（zip）	631 个视盘/视杯分割坐标文件（JSON）
4	处理后图像（zip）	ROI 裁剪图及标注渲染图
5	Baseline model validation for VF estimation（zip）	视野估计基线模型代码
6	Baseline model validation for VF progression prediction（zip）	进展预测基线模型代码
7	draw.py	在 ROI 上绘制标注线的代码

注意：论文 Technical Validation 用到的深度学习模型不作为数据集本体的一部分，而是作为两个独立部分（编号 5、6）一并上传到 Figshare。

2.7 从"两表"到"一张纵向大表"的理解转化

教材式读数据最容易踩的坑，是把 Baseline 表和 Follow-up 表看成两个互不相干的数据集。实际上它们是同一个纵向队列的两种切法：

• Baseline 表回答"入组时这只眼是什么样"——含丰富的临床描述（年龄、性别、CCT、分型、RNFL、总访次、三口径进展状态）与基线视野；
• Follow-up 表回答"这只眼后来每次复查是什么样"——含访次序号、间隔年数、IOP 与每次视野，字段更精简。

两表通过 Subject Number + Laterality 这一组合键连接。把同一只眼在 Baseline 的"基线状态"与 Follow-up 的"时间序列"接起来，就得到了完整的纵向轨迹。进展预测任务正是用了这条轨迹的两端：基线彩照（输入）+ 由整条视野轨迹算出的进展标签（输出）。 理解这一转化，比记住任何一个具体数字都更重要——它是读懂 GRAPE 设计意图的钥匙。

2.8 数据规模在同类数据集中的位置

为了建立尺度感，把 GRAPE 与论文提到的同类数据集做个粗略对照：

数据集	规模	维度	模态
GRAPE	263 眼 / 1115 记录 / 144 患者	纵向	视野+彩照+OCT+临床
UWHVF	28943 份 VF	纵向（功能）	仅视野
Annotated Glaucoma Medication Dataset	480 条记录	—	仅文本
RIGA / ORIGA / DRISHTI-GS / REFUGE / PAPILA	数百至数千图	横断面	眼底结构

GRAPE 的规模在"多模态纵向"这一格子里是开路者——没有直接可比对象；而放在"眼底图像"大类里则属于小样本。这种"维度上领先、体量上偏小"的定位，正是它价值与局限并存的根源。

2.9 数据质量的三个观察

从论文披露的采集与质控信息，可以归纳出 GRAPE 数据质量的三个特征：

（1）质控严格但范围受限。 视野剔除假阴性/假阳性 ≥30% 的不可靠检查、彩照剔除 50% 遮挡或视盘不全者——质控标准清晰。但质控只作用于"单次检查的可靠性"，不解决"人群覆盖"问题（只纳入轻中度未手术者）。

（2）真实世界的异质性被完整保留。 三款相机、三档分辨率、不规律的随访间隔、部分访次缺彩照——这些在科研级数据集中通常被"清理掉"的异质性，在 GRAPE 中被保留，因为它们是真实临床的一部分。这提升了生态效度，但要求使用者自己处理域差异。

（3）标注分工明确但一致性未量化。 诊断由 3 名专家确认（强一致性保障），但视盘/视杯分割仅 1 名医生、未报告观察者间一致性。因此对分割质量敏感的用途需自评。

2.10 与"标准化队列"数据集的取舍

GRAPE 选择了"真实世界"而非"标准化队列"，这是一个可迁移的数据集设计取舍：

维度	真实世界（GRAPE）	标准化队列
生态效度	高（反映真实临床）	低（受控条件下）
内部一致性	低（设备/节奏混杂）	高（统一流程）
规模获取难度	低（复用既有随访）	高（需前瞻采集）
泛化性证据	强（异质样本）	弱（同质样本）
建模复杂度	高（需处理域差异）	低

这一取舍解释了为什么 GRAPE 能用较低采集成本获得较强的生态效度证据——它复用了医院既有的随访数据，而非从零前瞻采集。

§3 数据采集、质量控制与进展判定

3.1 采集人员与设备链路

GRAPE 的采集链条明确区分了"谁来采"和"谁来判":

• 视野、眼底彩照、RNFL、IOP、CCT 全部由两名经验技师采集；
• ROI 裁剪与视盘/视杯标注由一名经验眼科医生完成；
• 青光眼诊断由高级门诊医师初诊 + 3 名青光眼专家共同确认。

设备清单（这是复现与跨库对照的关键）：

模态	设备	关键参数
视野	OCTOPUS 900（HAAG-STREIT, Switzerland）	G1 程序，刺激大小 III，61 点
眼底彩照	TRC-NW8（TOPCON）/ CR-2 PLUS AF（CANON）/ CR-2 AF（CANON）	50° FOV，非散瞳，三档分辨率
OCT	CIRRUS HD-OCT 5000（Carl Zeiss Meditec, USA）	ONH & RNFL Analysis，Optic Disc 200×200
眼压/角膜厚度	非接触眼压计 NT-530P（NIDEK, Japan）	每眼自动测 3 次取均值

3.2 质量控制规则

论文给出了三条明确的质控规则，值得逐条记住，因为它们直接决定了数据的可用边界：

1. 视野可靠性：假阴性率 ≥30% 或假阳性率 ≥30% 的检查判为不可靠并剔除。这源自视野测试的高重测变异性（test-retest variability）——青光眼视野测量本身波动大，低可靠性检查会引入噪声。
2. 彩照质量：50% 面积被遮挡、或仅部分视盘可见的图像剔除；同一访次同眼多张时，只保留质量最佳的一张。
3. 数值编码统一：视野中不可感知最低光强度的点与两个盲点统一编码为 −1；左右眼采用镜像提取顺序，确保所有视野格式一致（右眼与左眼的空间对应关系不会错位）。

3.3 视野进展的三种量化口径

"这只眼进展了吗"在临床上没有唯一答案——GRAPE 用三种被广泛使用的自动进展判定标准来标注，这既是数据集的方法学亮点，也是建模时必须谨慎对待的分叉点：

（1）PLR2 与 PLR3（逐点线性回归）

基于 point-wise linear regression（PLR）分析。对每个测试点做光敏感度随时间的线性回归，统计"显著负斜率"（P<0.01）的测试点个数：

• 显著负斜率点数 ≥2 → PLR2 判进展；
• 显著负斜率点数 ≥3 → PLR3 判进展。

PLR3 阈值更高、更严格，因此进展比例明显更低（5.32% vs 15.21%）。

（2）MD（平均偏差斜率）

对平均偏差（mean deviation, MD）随随访时间做线性回归，若斜率为负且 P<0.05，则判该眼进展。

（3）计算工具

三种口径均通过 R 环境的开源 visual Fields package 计算。该软件包原本面向 HFA 视野，作者对其进行了改造以兼容 Octopus 视野——这是一个容易被忽略的工程细节：GRAPE 的进展标签是"改造版开源工具"算出来的，复现时需注意版本差异。

3.4 进展比例与数据平衡性

三种口径下的进展分布（Table 2）：

口径	进展眼数	占比
PLR2	40	15.21%
PLR3	14	5.32%
MD	27	10.27%

三个比例都很低，尤其 PLR3 仅 14 眼——这是一个高度不平衡的二分类问题。论文在 limitation 中直言：PLR3 定义的进展者数量太少，模型有过拟合风险，建议在实际 AI 建模时用数据增强缓解。对任何想用 GRAPE 做进展预测的人而言，这决定了你不能只看准确率（accuracy），必须看 AUC 等对不平衡鲁棒的指标——论文自己也主要报告 AUC 而非 accuracy。

3.5 视野的空间特征

论文还刻画了视野在空间上的规律（Fig. 4 的文字说明）：

• 光敏感度分布：中心视野原始光敏感度最高，且往往是最后受损的区域；
• 鼻侧最低：鼻侧视野值最低，因为青光眼损害通常从鼻侧开始；
• 进展斜率空间分布：负向进展集中在旁中心视野下部与颞侧区域。作者推测部分患者先出现侧方视野损害，旁中心视野随后受损。

这些空间规律不是装饰——它们解释了为什么 §7 的视野估计模型在"旁中心下部误差最小、鼻侧误差最大"（模型对规律性强的区域拟合更好）。

3.6 随访设计：为什么是"3–9 次、间隔 >5 个月"

GRAPE 的随访节奏不是随意设定的，它反映了青光眼临床随访的实际节律与建模需求：

• 每眼 3–9 次随访：少于 3 次，PLR 类回归无法稳定拟合斜率（自由度不足）；多于此范围则受真实随访脱落限制。3–9 次是一个"够做回归、又不至于样本太散"的区间。
• 相邻间隔 >5 个月：视野进展是慢过程，短期重复检查受重测变异性主导，拉长时间间隔才能让"真实进展信号"越过噪声。平均间隔 0.81 年（约 9.7 个月）正是这个约束的体现。
• 平均随访 2.51 年：加上平均 4.21 次访问，构成一个"中等长度、中等密度"的纵向观测窗——足以观察进展趋势，但短于青光眼数十年的病程全貌。

对建模者的含义：时间不等距（irregular time interval）是 GRAPE 的固有特性。随访记录里 “Interval Years” 列就是为处理这一点准备的——若模型假设等间隔时间步（如固定长度的序列模型），必须先按该列对齐或做时间编码，否则会引入时间错位误差。

3.7 缺失与"/"符号的处理

数据用 “/” 标记"该访次未生成对应彩照或 OCT"。这意味着：

• 随访记录并非每条都配彩照——631 张彩照 < 1115 条随访记录，说明相当一部分随访只有视野与眼压、没有拍照。做"彩照→视野"配对训练时，只能用在有彩照的访次上，有效样本少于 1115。
• OCT 只在基线有，随访记录的 OCT 列基本为 “/”。纵向 OCT 建模在 GRAPE 上不可行。
• 建模前必须先做缺失模式分析，弄清"缺彩照"是否与疾病状态相关（如病情稳定者少拍照）——若缺失非随机，直接丢弃缺失样本会引入选择偏置。

§4 三种进展口径的方法学辨析

4.1 为什么进展判定本身就是一道难题

青光眼的"进展"不是一次检查能看出来的，它藏在时间序列里：把一只眼十几次视野检查的同一个测试点按时间排开，看光敏感度是不是在稳定下滑。但视野测试固有重测变异性——同一个人、同一只眼、同一天做两次，结果都可能差几个 dB。因此"下滑"到底是真进展还是噪声，需要统计判据。学术界提出的自动判据很多（论文引用了多篇进展检测方法综述），GRAPE 只选了三种常见且适配 Octopus 的：两种基于 PLR、一种基于 MD 斜率。

4.2 PLR 口径的逻辑

PLR（point-wise linear regression）的思路是"逐点看趋势"：对 61 个测试点各自拟合一条光敏感度对时间的回归线，看斜率是否显著为负（P<0.01）。这捕捉的是"局部视野缺损在扩大"。

• PLR2 要求至少 2 个点显著恶化 → 门槛较低、更敏感，进展检出更多（40 眼）。
• PLR3 要求至少 3 个点显著恶化 → 门槛更高、更特异，进展检出更少（14 眼）。

两者之间是一个经典的敏感度—特异度权衡。选哪个口径，直接改变阳性率（15.21% vs 5.32%，差了近 3 倍），也改变模型的学习难度。

4.3 MD 口径的逻辑

MD（mean deviation）是视野的全局指标——反映整体视野相对同龄正常人的平均偏差。MD 斜率法看的是"全局缺损是否在加深"，对弥散性损害敏感，但对局部早期缺损不如 PLR 灵敏。其判据是 MD 随时间负线性回归且 P<0.05，检出 27 眼（10.27%），介于 PLR2 与 PLR3 之间。

4.4 三口径不是"三选一"，而是"三视角"

对使用者而言，关键认知是：GRAPE 没有给一个"标准答案"的进展标签，而是给了三个算法视角。 这本身是诚实的设计——它把"进展定义"这个超参数的选择权交还给研究者，而不是替其决定。代价是：

• 训练集/测试集划分若按某一个口径定义标签，结果不能跨口径直接比较（论文自己是分别报告三套 AUC/accuracy 的）；
• 低阳性率（尤其 PLR3 的 5.32%）意味着存在严重的类别不平衡；
• 进展标签是算法派生而非临床终点事件，不能等同于"医生判定恶化"。

4.5 进展 vs 非进展：一个高难度二分类

把三种口径放在一起看，GRAPE 的进展预测任务本质是：用一张基线彩照，预测这只眼在之后几年里会不会进展。这是"结构 → 未来功能"的跨模态、跨时间预测，难度远高于同次检查内的"结构 → 当前功能"估计。论文用 ResNet-50 得到的 AUC 在 0.71–0.80 之间，说明任务可做但远未做满——这恰好为后续研究留出了空间，也说明 GRAPE 是一个"基准型"数据集而非"已解决"数据集。

§5 标注体系与任务定义

5.0 三种任务的一句话对照

在展开细节前，先用一句话把三类任务的目标、输入、输出与评价锁定，方便快速对号入座：

任务	目标（一句话）	输入	输出	主要指标
视野进展预测	从基线彩照判断这只眼未来会不会恶化	基线 CFP	进展/非进展	AUC
视野数值估计	从结构图像反推各点视野光敏感度	CFP / ROI / ROI+分割	61 点数值	MAE / R²
视盘视杯分割	勾出视盘与视杯边界	ROI 彩照	边界坐标	分割重叠度

5.1 三类标注资产

GRAPE 的标注资产可分三类，分别对应三类任务：

标注	形式	数量	对应任务
视盘/视杯分割	JSON 坐标（红线=视杯、绿线=视盘）+ draw.py	631 个	图像分割
视野进展状态	Baseline 表 3 列（PLR2/PLR3/MD，0/1）	263 眼	分类
视野数值	每访次 61 列光敏感度	1115 次	回归

5.2 任务一：视野进展预测（分类）

输入：每只眼基线的眼底彩照（resize 至 224×224×3，mean-variance 标准化）。
输出：该眼是否进展（进展 / 非进展），标签分别由 PLR2、PLR3、MD 三口径给出。
意义：若在首次就诊时就能从眼底照判断这只眼将来会不会恶化，医生就能更早地调整随访与治疗方案——这是论文强调的临床价值（“patients could be aware of their future condition at the first visit”）。

5.3 任务二：视野数值估计（回归）

输入：三档递进的图像——

1. 原始 CFP；
2. CFP 的 ROI 裁剪；
3. ROI + 视盘/视杯分割信息。

输出：61 个测试点的光敏感度值。
意义：SAP 视野检查耗时长、依赖患者配合、结果主观且变异性大。若能从结构图像估计视野值，就能降低检查负担，并探索结构损害与功能丧失之间的关系（structure-function relationship）——这是眼科 AI 的经典命题。

5.4 任务三：视盘/视杯分割（分割）

输入：ROI 彩照。
输出：视盘边界（绿）与视杯边界（红）的坐标。
意义：CDR（杯盘比）增大、视盘沿变窄是青光眼的结构标志，分割结果可派生 CDR 等定量指标，也是任务二"ROI+分割"输入档的基础。

5.5 标注的生产方式与一致性

论文明确视盘/视杯分割由一名经验眼科医生完成，JSON 记录 XY 坐标。需注意：论文未报告多标注者之间的一致性（inter-annotator agreement），即没有说明分割标注的观察者间变异。这一点在解读分割质量时应予留意（存照见 §9）；不过由于该任务是辅助性质（主要价值在进展预测与视野估计），单标注者的影响相对有限。

5.6 标注资产的形态与读取

三类标注资产在文件系统中的形态不同，读取方式也不同：

（1）进展标签（表格型）：直接读 Excel 的 Baseline sheet，三列 Progression Status-PLR2 / PLR3 / MD，取值 0/1。零解析成本。

（2）视野数值（表格型）：Baseline 与 Follow-up 两表的末 61 列即视野值。读取时需按左右眼镜像顺序还原空间布局——右眼与左眼的 61 列排列顺序互为镜像，若直接把两眼的 61 列按同一顺序可视化会得到错误的空间图。

（3）分割坐标（JSON 型）：每个 <subject>_<laterality>_<visit>.json 记录勾画点的 XY 坐标；配套 draw.py 可把这些坐标渲染成红（视杯）/绿（视盘）边线叠加在 ROI 图上。若需生成二值分割掩码（binary mask），需自行把坐标多边形 rasterize——数据集提供的是坐标而非现成掩码，这是使用分割标注时的第一个工程步骤。

5.7 任务间的耦合关系

三类任务并非孤立，而是层层递进：

• 分割 → 视野估计：视盘/视杯分割可派生出 CDR 等结构指标，而 “ROI+分割” 正是视野估计第三档输入（但实验显示它未增益，见 §7.2）；
• 视野估计 → 进展预测：若能准确估计各时间点的视野，就能更可靠地计算进展斜率——但 GRAPE 的进展标签是直接从实测视野算的，不依赖估计；
• 分割 → 进展预测：结构指标（CDR 变化）理论上预示进展，但 GRAPE 的进展预测基线只用了原始彩照，未显式输入分割。

理解这层耦合，有助于避免"把分割当独立任务优化，却与最终进展预测目标脱节"的常见失误。

§6 获取与许可

6.1 许可：库内最宽松的一档

GRAPE 的许可结构非常干净：

• 数据集本体：CC0 1.0 Universal（公共领域贡献）。这意味着作者放弃了几乎所有权利，使用者可自由复制、修改、分发、商用，无需署名（虽然学术惯例仍应引用）。第三方目录 EyeDataHub 将其归一化为 cc0，scope 为 dataset_files，并标注"无 NC 条款"。
• 论文：CC BY 4.0（Creative Commons Attribution 4.0 International，Open Access），可自由分享改编，需署名。

在千方库内的眼科/眼底条目里，CC0 是最宽松的一档——多数同类数据集要么是 CC BY-NC（禁止商用），要么是请求制/注册制。GRAPE 是"拿来即用"型数据集的代表。

6.2 获取路径与版本链

• 发布平台：Figshare
• Collection DOI：10.6084/m9.figshare.c.6406319（版本 v1）
• Collection 标题：“GRAPE: A multi-modal glaucoma dataset of follow-up visual field and fundus images for glaucoma management”
• 首次在线：2023-08-02（Figshare collection timeline.firstOnline）
• 关联论文：Sci Data 10:520（2023-08-05 在线），二者为 IsSupplementTo 关系
• 版本链：v1（2023-08-02 首发，同日修订）→ 无后续版本
• 访问摩擦：低——Figshare 自助下载（EyeDataHub 标注 self_service_authenticated、end_to_end_tested，可用性 checked 2026-07-21）

6.3 元数据与引用

Figshare 元数据：类别 = Diseases；标签 = glaucoma, visual field, fundus image, progression, OCT measurements；机构 ID 81，组 ID 2826。
推荐引用（Figshare citation）：Huang, Xiaoling; Kong, Xiangyin; Shen, Ziyan; Jin, Kai; Ye, Juan (2023). GRAPE: A multi-modal glaucoma dataset of follow-up visual field and fundus images for glaucoma management. figshare. Collection. https://doi.org/10.6084/m9.figshare.c.6406319.v1

6.4 使用提示

• 论文"Usage Notes"要求：用户应正确引用本文并在研究中致谢；
• 数据集本体与两个基线模型代码是分开的部分，若只下数据集，需另下基线代码（编号 5、6）；
• 由于 CC0，商用无障碍，但医学数据仍应注意患者隐私伦理（原始彩照已隐藏隐私信息）。

6.5 使用前清单（Checklist）

从"下到数据"到"能开跑模型"，需要逐项确认的动作：

• [ ] 从 Figshare collection 下载全部部分（Excel + 4 zip + draw.py）；
• [ ] 解压四个 zip，确认 CFPs 与 json 文件夹完整（各 631）；
• [ ] 读 Excel 两表，核对行数（Baseline 263 / Follow-up 1115）与列数（80 / 69）；
• [ ] 检查缺失模式：统计有多少随访记录带彩照（应 ≤ 631）、OCT 列非 “/” 的比例（仅基线）；
• [ ] 决定进展口径（PLR2 / PLR3 / MD）并锁定，勿混用；
• [ ] 按"眼"而非"记录"划分训练/测试集（防同眼泄漏）；
• [ ] 记录每张彩照的 Acquisition Device 与 Resolution，评估是否需要按设备分层；
• [ ] 若用分割，先把 JSON 坐标 rasterize 成掩码，再按 draw.py 校验渲染正确；
• [ ] 对不平衡数据，选 AUC 等鲁棒指标，而非 accuracy；
• [ ] 引用论文（CC BY 需署名；数据 CC0 惯例仍建议引用）。

§7 评估与基线基准（论文 Technical Validation）

论文用两个 ResNet-50 基线模型证明数据集的可行性。这些结果既是数据集的"起始分数线"，也是后续研究要超越的靶子。

7.1 基线 A：视野进展预测

配置：ResNet-50；输入基线彩照 resize 224×224×3（mean-variance 标准化）；交叉熵损失；264 epochs；batch size 4；Adam 优化器；annealed cosine 学习率 10⁻⁴→10⁻⁵；用 ROC 曲线评估。

结果（Fig. 5）：

进展定义	AUC	Accuracy
PLR2	0.71	0.75
PLR3	0.80	0.91
MD	0.73	0.81

解读：PLR3 定义下性能最优（AUC 0.80 / accuracy 0.91）。但要注意——PLR3 进展率仅 5.32%，在如此不平衡的数据上准确率 0.91 可能被多数类（非进展）拉高，因此 AUC 比 accuracy 更可信。论文据此结论：GRAPE 可用于视野进展预测，且以 PLR3 数据划分的模型分类性能最佳。

7.2 基线 B：视野数值估计

配置：ResNet-50；输入三档（CFP / ROI / ROI+OD-OC 分割），resize 224×224×3；MSE 损失；50 epochs；batch size 16；L2 正则 10⁻⁵；Adam；annealed cosine 10⁻⁴→10⁻⁵；梯度裁剪 ℓ₂-norm ≤ 1.0。

结果（Table 3）：

输入	MAE（dB）	RMSE（dB）	R²
CFP（原始彩照）	4.143	5.627	0.263
ROI of CFP	4.029	5.475	0.306
ROI + OD/OC 分割	4.107	5.596	0.272

解读：以 ROI 彩照输入的性能最佳（MAE 4.029、R² 0.306）——论文推测原因是视神经乳头（ONH）特征能被模型识别。有趣的是，在 ROI 上再叠加视盘/视杯分割并未进一步提升（MAE 反而升到 4.107），说明原始图像信息已足够、显式分割掩码未必增益。

7.3 误差的空间分布

视野估计的逐点 MAE（Fig. 6）显示：误差在旁中心视野下部最小、鼻侧视野最大。这与 §3.5 的空间规律一致——模型对规律性强（数据充分）的区域拟合更好，对鼻侧（本身变化大）则较差。

7.4 基准的意义与边界

这两个基线共同确立了 GRAPE 的"入门难度"：

• 进展预测：AUC 0.71–0.80，跨模态跨时间预测，尚未做满；
• 视野估计：MAE 约 4 dB，R² 仅 0.27–0.31，说明从结构像估计功能的解释力有限（还有 70% 以上方差未被解释）。

对使用者而言，这意味着 GRAPE 是一个留有大量提升空间的基准数据集，而非已饱和的任务；同时基线结果也提示：结构-功能映射本身存在信息上限，盲目堆模型未必能突破。

7.5 第三方使用证据

GRAPE 已被后续研究采用。例如 2025 年发表于 PMC 的一项研究（PMC12452310，“Predicting Pattern Standard Deviation in Glaucoma: A Machine Learning Approach Leveraging Clinical Data”）将 GRAPE 与 Dankook-GNU 数据集合并（共 762 眼）训练人工神经网络（ANN）预测视野模式标准差（PSD），输入含平均 RNFL、IOP、年龄、CCT、青光眼分型等七个临床特征。该研究说明 GRAPE 的临床字段（RNFL、IOP、CCT、分型）具备跨数据集整合的互操作性——这是它作为"AI-Ready"数据集的实证。

7.6 复现论文基线的要点

想复现论文结果，需注意以下工程细节（论文已给出充分参数）：

进展预测（基线 A）：

• 图像：基线彩照 → resize 224×224×3；mean-variance 标准化；
• 训练：交叉熵损失，264 epochs，batch size 4，Adam，annealed cosine 学习率 10⁻⁴→10⁻⁵；
• 评估：ROC / AUC；
• 注意：264 epochs + batch 4 在 263 样本上是极小批量、多轮训练，随机性大，建议多种子平均。

视野估计（基线 B）：

• 输入三档（CFP / ROI / ROI+分割）分别训练；
• 训练：MSE 损失，50 epochs，batch size 16，L2 正则 10⁻⁵，Adam，annealed cosine 10⁻⁴→10⁻⁵，梯度裁剪 ℓ₂-norm ≤ 1.0；
• 评估：MAE / RMSE / R²；
• 注意：输入 resize 到 224×224×3，输出 61 点回归。

通用：两个基线模型不是数据集本体的一部分，而是作为独立部分上传在 Figshare（“Baseline model validation for …”），可直接参考其实现。

7.7 为什么两个任务的难度不对称

一个容易被忽略的观察：视野估计的"解释力"（R²≈0.3）远低于直觉预期。原因有三：

1. 结构-功能并非一一对应：视网膜结构损害与视野功能丧失之间存在个体差异与时滞，同一结构状态可能对应不同功能水平；
2. 信息通道受限：只用一张基线彩照估计多点视野，缺失了视野检查本身携带的主观反馈信息；
3. 任务本质是"跨模态翻译"：从 2D 眼底像翻译到 61 维功能向量，本身就是病态逆问题（ill-posed）。

这解释了为什么论文把视野估计的 R² 0.306 也算作"可行"——在结构-功能映射的固有上限下，能解释约三成方差已属有意义。对使用者而言，这意味着不要期待从彩照"精确还原"视野，GRAPE 的价值更多在于提供标准化的评测平台。

§8 生态、影响与方法学启示

8.1 在青光眼数据集谱系中的位置

论文在背景部分列出了 GRAPE 之前的两类数据，清楚地划出了自己的生态位：

（1）横断面结构数据集（GRAPE 的"上游邻居"）

数据集	特点
RIGA	视盘/视杯分割，含多种族人群
ORIGA	视盘分割与青光眼筛查
DRISHTI-GS	视盘视杯分割挑战赛
REFUGE	青光眼筛查挑战赛
PAPILA	视盘视杯分割（库内已有，rid 765）

这些数据集专注单次成像的 OD/OC 分割与"是否青光眼"，无法评估随访纵向变化。

（2）功能/记录纵向数据集（GRAPE 的"另一侧邻居"）

数据集	特点	缺什么
UWHVF	华盛顿大学开源视野，28943 份 VF	无眼底彩照、无 OCT、无完整临床
Annotated Glaucoma Medication Dataset	480 条 EHR 用药记录，用于 NLP	仅文本，无影像功能数据

（3）GRAPE 的差异化：同时具备眼底彩照（结构）+ 视野（功能）+ OCT + 临床，且基线到随访全程对齐。这是它填补的空白——让"从结构预测功能进展"第一次在公开数据上可行。

8.2 对眼科 AI 研究的推动作用

GRAPE 的三重价值：

1. 进展预测的公开基准：此前青光眼进展研究缺乏公开的多模态纵向数据，GRAPE 提供了带三种进展标签的可用底料。
2. 结构-功能关系的探索平台：视野估计任务让研究者能系统研究"图像结构损害 ↔ 视野功能丧失"的映射，这是青光眼病理的核心问题。
3. 真实世界数据的代表：数据来自真实门诊随访（real-world），而非标准化采集队列，反映了临床实际中的设备混杂（三款彩照相机）、随访不规律（间隔 >5 个月）等真实挑战。

8.3 方法学启示：三条可迁移的经验

启示一：纵向数据集的价值在"时间维度"，不在"单帧质量"。 GRAPE 单张彩照的分辨率、单次视野的精度都不算顶尖，但"同一只眼多次随访"的结构让它能支撑横断面数据集完全做不到的任务。做数据工程时，把"时间轴对齐"当作第一性设计，而非事后拼接。

启示二：把"定义的选择权"交还给使用者，是负责任的数据集设计。 GRAPE 不硬给一个进展标签，而是给三个口径——它承认"进展定义"本身是超参数，避免用单一算法的偏见污染整个生态。

启示三：许可的宽松度可以显著提升数据集影响力。 CC0 让 GRAPE 无需任何授权门槛即可使用，这比请求制、注册制的同类数据集更容易被广泛采用（对比库内 panda-plus 的"请求制掩码"就构成可获取性失分）。对 AI-Ready 而言，"能不能顺手拿到"往往比"数据多完美"更决定实际使用率。

8.4 局限性（作者自述，逐条照录）

1. 数据选择偏斜：仅纳入 OAG/ACG（且大多为 OAG），相对较低的 MD（−7.21 dB）意味着纳入的更多是轻度视野缺损（MD ≥ −6 dB 按 HPA 标准）患者；中度（−12≤MD≤−6 dB）与重度（MD≤−12 dB）者因视野测量策略与青光眼手术被排除。这种偏斜会限制算法泛化性——在其他类型青光眼或重度视野缺损患者上的预测性能可能下降。
2. 样本量偏小：263 眼 1115 记录相对数据集标准偏小；患者数少主要源于隐私设置、青光眼类型选择、数据完整性要求与合并严重眼病的排除。后果是 PLR3 进展者数量极少（14 眼）与模型过拟合风险；建议实际建模用数据增强缓解。
3. IOP 用药明细缺失：具体药物名与剂量未列（EHR 多次更新 + 外院可能配药导致信息缺失）。为降低治疗混杂，作者排除已行手术者，确保随访期患者基本处于药物控制状态。

§9 与库内条目的关系

9.1 家族图谱与互链建议

GRAPE 在千方库内的定位是"眼科纵向多模态"条目，与库内三个眼底条目构成互补关系：

库内条目	rid	模态	与 GRAPE 的关系
papila	765	眼底彩照（PAPILA 视盘/视杯分割）	最强互链：GRAPE 引用 PAPILA 为同类横断面分割数据集；二者一纵向一横向、一含视野一纯结构，互补性最强
messidor	59	眼底彩照（糖网 DR）	同 CFP 模态、不同疾病；可作"眼底彩照跨病种"对照
eyepacs	58	眼底彩照（糖网大规模）	同 CFP 模态、不同疾病与规模；横断面大规模 vs 纵向小样本对照

互链理由：

1. 同属"眼底彩照"主题簇，读者有跨库比较需求；
2. PAPILA 与 GRAPE 都含视盘/视杯分割，但 PAPILA 是纯分割基准、GRAPE 是分割+纵向进展，构成"任务层次"对照；
3. messidor/eyepacs 提供"横断面大样本"极，GRAPE 提供"纵向小样本"极，共同勾勒眼底数据的两个维度。

9.2 检索路径建议

• 找横向视盘视杯分割 → papila（rid 765）；
• 找纵向青光眼进展 → GRAPE（本条）；
• 找糖网眼底彩照 → messidor（rid 59）/ eyepacs（rid 58）；
• 找青光眼筛查（单帧诊断） → 库内暂无专门条目，可参考 PAPILA 与 GRAPE 的基线诊断能力说明。

9.3 外部参照数据集（论文引用，未入本库）

RIGA、ORIGA、DRISHTI-GS、REFUGE、UWHVF、Annotated Glaucoma Medication Dataset。第三方目录（EyeDataHub）另列同模态数据集：Harvard GDP（青光眼检测与进展，1000 参与者）、LMOD+、FairVLMed、OLIVES、MultiEYE、Eyecare-100K、Harvard-FairVision、MMRDR。

§10 避坑清单：八个已踩过的坑

GRAPE 是"纵向、多模态、多口径"三重复杂度叠加的数据集，误用风险集中。以下八条覆盖名称误记、计数混淆、模态缺失、口径误读、不平衡、分割一致性、设备混杂与外部口径失真八类高频失误。

坑 1：GRAPE 缩写被误记，甚至误认成"血管分割数据集"

最常见的错误来自非官方来源的缩写展开。本任务派发 brief 曾将 GRAPE 误写为 “Glaucoma REtinal image dataset for vAsular and optic disc/optic cup Extraction”（暗示含血管分割）。官方正解是 Glaucoma Real-world Appraisal Progression Ensemble，且不含血管（vessel）分割——其分割任务只有视盘/视杯。若按"血管分割"方向检索或建模，会完全落空。

坑 2：把"1115"当成患者数或眼数

GRAPE 有三个计数：144 患者 / 263 眼 / 1115 随访记录。文献里"1115"出现频率最高（摘要首句即"1115 follow-up records"），最容易被误当患者数。建模时统计单位是"眼"（263），不是记录——同一只眼的多次随访记录高度相关，若当成 1115 个独立样本会造成数据泄漏与统计假阳性。

坑 3：以为 OCT 在随访期也有

GRAPE 的 OCT RNFL 厚度只在基线（baseline）有，随访记录里没有 OCT。若想用 OCT 做纵向结构追踪，GRAPE 满足不了——随访期只有视野、彩照、IOP。这是论文结构决定的（随访期常规检查通常只做视野与眼压）。

坑 4：三种进展口径混用、跨口径比较结果

PLR2（15.21%）、PLR3（5.32%）、MD（10.27%）三个进展率差异近 3 倍。用不同口径定义标签训练出的模型不能直接比较性能，论文自己也是分口径报告 AUC/accuracy 的。跨口径拼接标签或比大小是典型误用。

坑 5：在高度不平衡数据上只看 accuracy

PLR3 进展率仅 5.32%——一个"always 非进展"的平凡分类器准确率就有约 94.7%。因此论文报告的 PLR3 accuracy 0.91 并不可喜（甚至低于平凡基线），必须看 AUC（0.80）。论文自己也以 AUC 为主要指标。只看 accuracy 会被不平衡数据误导。

坑 6：以为分割标注有多标注者一致性

视盘/视杯分割由一名眼科医生标注，论文未报告观察者间一致性。若把该分割当作高置信度 ground truth 用于严格评测，需自行评估可靠性；对分割质量敏感的任务应谨慎。

坑 7：忽略设备混杂（三款相机三档分辨率）

GRAPE 的 631 张彩照来自三款不同相机、三种分辨率（1556²、2136²、1611²）。跨设备图像存在域差异（domain shift），直接混合训练可能引入设备偏置。使用时至少应记录"Acquisition Device"列并考虑按设备分层或归一化。

坑 8：采信第三方目录的设备错误标注

第三方目录 EyeDataHub 将 GRAPE 的视野设备描述为 “HFA 24-2”，但论文明确使用的是 OCTOPUS 900（G1 程序，61 点）。HFA（Humphrey Field Analyzer）与 Octopus 是两种不同视野计，测试模式也不同。以论文（Octopus G1）为准，勿采信第三方的 HFA 标注（存照见 §9 / FACTS §9.1）。此外第三方 BibTeX 注"Figshare collection 2022"亦与官方 firstOnline（2023-08-02）冲突，以官方为准。

§11 总结

11.1 三句话总结

1. GRAPE 是首个把青光眼"长期随访"完整公开的纵向多模态数据集：144 患者 / 263 眼 / 1115 次随访，含视野、眼底彩照、OCT、IOP 与临床信息，并标注视盘/视杯分割与三种口径的视野进展标签。
2. 它的核心价值是"时间维度"：支撑视野进展预测与结构→功能视野估计两类任务，填补了横断面分割数据集与纯视野/文本数据集之间的空白。
3. 它许可最宽松（CC0）、样本最小、偏斜明显：拿来即用，但只覆盖轻中度未手术的 OAG/ACG 人群，进展阳性率低，建模需对不平衡与泛化性保持警惕。

11.2 适合谁

• 研究青光眼进展预测的团队：GRAPE 提供了公开的多模态纵向底料与三种进展标签；
• 研究结构-功能关系 / 视野估计的团队：彩照→61 点视野的映射可直接复现论文基线；
• 研究视盘视杯分割但需要纵向语境的研究者：GRAPE 的 631 份分割可作补充；
• 研究医学数据集的纵向设计方法学的从业者：GRAPE 是"真实世界纵向数据如何组织"的模板；
• 需要**宽松许可（CC0）**用于商用或二次分发的使用者。

11.3 不适合谁

• 需要大规模样本的研究者：263 眼规模偏小；
• 需要重度视野缺损人群的研究者：数据集以轻中度为主；
• 需要随访期 OCT / 血管分割的研究者：GRAPE 二者皆无；
• 需要临床终点事件标签的研究者：进展标签是算法派生，非临床判定恶化。

11.4 30 秒决策卡

你的需求	GRAPE 是否合适	行动
青光眼进展预测建模	合适	用基线彩照→进展标签，看 AUC 不看 accuracy
眼底照→视野值估计	合适	复现 ResNet-50 基线，最优输入为 ROI
视盘/视杯分割（横向）	可补充，非首选	首选 papila（rid 765），GRAPE 作纵向特例
大规模糖网眼底	不合适	转 messidor（59）/ eyepacs（58）
商用/无授权门槛使用	非常合适	CC0，Figshare 直接下载
重度青光眼 / 随访 OCT	不合适	样本偏轻、随访无 OCT

11.5 一页纸精读

如果只有一分钟，记住这五句：

1. GRAPE = 青光眼纵向随访多模态数据集，全称 Glaucoma Real-world Appraisal Progression Ensemble，出自浙大二院眼科中心。
2. 三三三结构：三模态（视野/彩照/OCT）、三任务（进展预测/视野估计/视盘视杯分割）、三进展口径（PLR2/PLR3/MD）。
3. 核心数字：144 患者 / 263 眼 / 1115 记录 / 631 张彩照；
4. 许可最松：CC0 1.0，Figshare 自助下载，商用无障碍。
5. 两大边界：样本偏小且只覆盖轻中度未手术 OAG/ACG；OCT 仅基线、无血管任务。

§12 实战指南：从下载到建模的全流程

这一节把前面散落各处的工程要点串成一条可执行的路径，供第一次使用 GRAPE 的研究者照做。

12.1 第一步：拿到数据并核对完整性

从 Figshare collection（DOI 10.6084/m9.figshare.c.6406319）下载后，先做三项核对：

1. 文件计数：CFPs 文件夹应有 631 张 JPG；json 文件夹应有 631 个 JSON；
2. 表格核对：Baseline sheet 应有 263 行（眼）、80 列；Follow-up sheet 应有 1115 行（访次）、69 列；
3. 命名对应：每张彩照 <subject>_<laterality>_<visit>.jpg 应在 Excel 的 Corresponding CFP 列中被引用。

任何一项对不上，先排查解压完整性，再考虑是否版本差异（当前只有 v1）。

12.2 第二步：理解数据的三个"不整齐"

GRAPE 作为真实世界数据集，有三处不整齐必须先在脑中建模：

1. 眼 ≠ 记录：263 眼对应 1115 条记录，同眼多次随访高度相关。所有划分与交叉验证必须按眼（或按患者）分组，绝不能让同一只眼的不同访次同时出现在训练与测试集——否则是典型数据泄漏。
2. 时间不等距：随访间隔从数月到数年不等（平均 0.81 年）。用序列模型时须读 “Interval Years” 列做时间编码，不能默认等间隔。
3. 缺失非随机：部分访次无彩照（631 < 1115）、随访无 OCT。丢弃缺失样本前先分析缺失是否与疾病状态相关（潜在的选择偏置）。

12.3 第三步：按任务准备数据

做进展预测：

• 取 Baseline sheet，得到每眼的进展标签（选定 PLR2/PLR3/MD 之一）；
• 取该眼基线的彩照作为输入；
• 按眼划分训练/测试集，保持类别比例（分层）；
• 指标用 AUC，报告置信区间。

做视野估计：

• 输入基线的彩照（以及 ROI 版、ROI+分割版三档）；
• 输出 Baseline/Folloow-up 表末 61 列视野值；
• 先做左右眼镜像顺序还原，确保空间对应正确；
• 指标用 MAE / RMSE / R²，可另算逐点 MAE 热图。

做视盘视杯分割：

• 读 JSON 坐标 → rasterize 成掩码；
• 用 draw.py 渲染校验；
• 可派生 CDR 等结构指标。

12.4 第四步：避坑回顾（建模前默念）

• 不混口径：进展标签一旦选定，全程不换；
• 不看 accuracy 看 AUC：尤其 PLR3 口径（进展率 5.32%）；
• 不跨眼泄漏：划分按眼/患者分组；
• 不忘设备混杂：记录 Acquisition Device，必要时分层；
• 不夸大泛化：数据集只覆盖轻中度未手术 OAG/ACG，外推需谨慎。

12.5 第五步：引用与致谢

按论文 Usage Notes：应在研究中正确引用本文并致谢。数据虽为 CC0（不强制署名），但学术惯例仍应给出 Figshare collection 与论文的规范引用。

FAQ（高频问答 24 问）

A. 基础认知

Q1：GRAPE 的全称和正解缩写是什么？
GRAPE = Glaucoma Real-world Appraisal Progression Ensemble（青光眼真实世界进展评估集成）。不是"血管分割"数据集，官方不含血管标注。

Q2：GRAPE 是谁做的？
浙江大学医学院附属第二医院眼科中心。通讯作者 Kai Jin（金凯）与 Juan Ye（叶娟）；第一作者 Xiaoling Huang（黄笑羚）；合作单位含浙江大学控制学院、白马湖实验室与 UT Southwestern。

Q3：论文发在哪？
Scientific Data（Nature Portfolio），2023 年 8 月 5 日，卷 10 文章号 520，DOI 10.1038/s41597-023-02424-4。

Q4：数据采集于何时何地？
2015–2022 年，浙江大学医学院附属第二医院眼科中心真实门诊与随访。

Q5：为什么叫"真实世界"（real-world）？
因为数据来自真实临床随访流程，而非标准化科研采集——设备不一（三款相机）、随访间隔不规律、检查不完整（部分访次无彩照）等真实挑战都被保留在数据中。

B. 数据与获取

Q6：数据集规模到底是多少？
144 患者 / 263 眼 / 1115 随访记录；631 张原始眼底彩照；631 个分割标注；每眼 3–9 次随访。

Q7：包含哪些模态？
视野（61 点）、眼底彩照（JPG）、OCT RNFL 厚度（仅基线）、IOP、CCT、临床信息（年龄/性别/眼别/分型/随访次数/进展状态）。

Q8：许可是什么？能商用吗？
数据集 CC0 1.0（公共领域贡献）——可自由使用、修改、分发、商用，无需授权。论文 CC BY 4.0。

Q9：怎么下载？
Figshare collection，DOI 10.6084/m9.figshare.c.6406319，自助下载，含 1 Excel + 4 zip + draw.py。

Q10：为什么文件分"原始彩照"和"处理后图像"两个文件夹？
原始彩照（631 张）另存一处，ROI 裁剪图与标注渲染图存另一处，便于使用者按需取用。

C. 任务与标注

Q11：GRAPE 支持哪些任务？
① 视野进展预测（分类）② 视野数值估计（回归）③ 视盘/视杯分割。

Q12：进展标签怎么来的？
三种算法口径：PLR2（≥2 点显著负斜率）、PLR3（≥3 点）、MD（MD 斜率 P<0.05），用 R 的 visual Fields package（改造版）计算。

Q13：三种口径的进展率？
PLR2 15.21%（40 眼）、PLR3 5.32%（14 眼）、MD 10.27%（27 眼）。

Q14：视盘/视杯分割是怎么标的？
一名经验眼科医生在 ROI 上勾画，视杯红线、视盘绿线，输出 JSON 坐标 + draw.py 绘图代码，共 631 份。

Q15：有血管分割吗？
没有。 这是任务头 brief 的误记来源，GRAPE 官方不含血管任务。

D. 结果与基线

Q16：论文基线模型是什么？
两个 ResNet-50：进展预测与视野估计。

Q17：进展预测的 AUC 是多少？
PLR2 0.71、PLR3 0.80、MD 0.73；对应 accuracy 0.75、0.91、0.81。

Q18：视野估计的误差是多少？
MAE：CFP 4.143、ROI 4.029（最优）、ROI+分割 4.107 dB；R² 分别 0.263、0.306、0.272。

Q19：为什么 ROI+分割输入反而不如纯 ROI？
论文推测原始图像信息已足够，叠加显式分割掩码未必增益；也可能引入分割误差。

Q20：这些数字算好吗？
不算。进展预测 AUC 0.71–0.80 中等，视野估计 R² 仅约 0.3（解释力有限）。GRAPE 是"留有大量提升空间"的基准数据集。

E. 库内与使用

Q21：GRAPE 和库内哪些条目相关？
papila（rid 765，视盘视杯分割，最强互链）、messidor（rid 59）、eyepacs（rid 58）。

Q22：GRAPE 和 PAPILA 什么区别？
PAPILA 是横向视盘视杯分割数据集；GRAPE 是纵向多模态数据集（含分割，但核心是视野进展），一横一纵。

Q23：用 GRAPE 建模最容易犯什么错？
把 1115 记录当独立样本（忽略同眼相关）、只看 accuracy（类别不平衡）、跨进展口径比较、忽略设备混杂。

Q24：有后续研究用过 GRAPE 吗？
有。如 2025 年一项研究将 GRAPE 与 Dankook-GNU 合并（762 眼）预测视野 PSD，证明其临床字段可跨库整合。

F. 进阶与工程

Q25：为什么不能把 1115 条记录当 1115 个独立样本？
因为同一只眼的多次随访高度相关（同一患者、同一眼球、时间相邻）。当成独立样本会造成两类错误：① 数据泄漏——同眼的早期与晚期访次可能被分到训练/测试两侧；② 统计假阳性——有效独立样本数远小于 1115，置信区间被低估。正确做法是按眼（或患者）分组划分。

Q26：GRAPE 的 OAG/ACG 分类有什么用途？
Category of Glaucoma 列（OAG/ACG）可作为分层变量或特征。注意数据集 96.53% 为 OAG，ACG 样本极少，任何按分型的分析对 ACG 都缺乏统计效力。

Q27：RNFL 有哪些子指标？
OCT RNFL thickness 列含总平均（Mean）与四象限：S（上，superior）、N（鼻，nasal）、I（下，inferior）、T（颞，temporal）。注意仅基线有。

Q28：baseline MD 和 total MD 有什么区别？
Baseline MD 是基线访次的视野平均偏差；Total MD 是全随访期的平均。二者数值接近（−7.11 vs −7.21）但口径不同，引用时须注明。

Q29：数据集里的"/"符号代表什么？
代表该访次未生成对应的彩照或 OCT 检查。建模数据清洗时要显式处理，勿当作缺失字符串误读。

Q30：视野的 61 个点是什么布局？
来自 Octopus G1 程序，左右眼互为镜像顺序提取。读取后需按眼别还原空间布局才能正确可视化或计算空间统计。

Q31：如果想做纵向 OCT 建模，GRAPE 能满足吗？
不能。OCT 只在基线采集，随访期无 OCT，无法做 OCT 的纵向时间序列建模。

Q32：GRAPE 适合做血管分割吗？
不适合，也不相关。GRAPE 不含血管标注或血管相关任务（这是任务头 brief 的误记）。血管分割应另找视网膜血管数据集。

Q33：模型的进展预测为什么用基线彩照输入而不是随访序列？
因为临床价值在于"首次就诊就预判未来"。用基线单张彩照即可服务早期决策；若用随访序列输入则失去早期预警意义。这也使任务成为"单图 → 未来事件"的高难度跨时间预测。

Q34：three 口径里哪个最该用？
取决于目标：要高灵敏（少漏诊进展）用 PLR2；要高特异（少误报）用 PLR3；要全局趋势用 MD。没有普适最优，论文也是三个都报。关键是声明并锁定你用的口径。

Q35：GRAPE 的数据是横断面还是纵向？
纵向（longitudinal）。这是它与库内 messidor、eyepacs、papila 等横断面眼底数据集最本质的区别——GRAPE 保留了同一只眼随时间的多次观测。

Q36：为什么许可这么宽松还建议引用？
CC0 放弃的是法律上的强制署名权，但学术共同体惯例仍要求引用来源以认可作者贡献、便于追责与复现。宽松许可 ≠ 可以不引用。

Q37：GRAPE 与 UWHVF 的区别？
UWHVF 是纯视野数据集（28943 份 VF），无眼底彩照与 OCT；GRAPE 是多模态（视野+彩照+OCT+临床）。前者量大但单模态，后者量小但多模态。

Q38：如果只想要青光眼筛查（单帧诊断）数据呢？
GRAPE 的基线彩照可用于筛查建模，但它的定位是"进展"而非"筛查"。专门筛查数据集（REFUGE、ORIGA 等）更合适；库内可参考 papila。

Q39：数据集的图像质量如何？
彩照为非散瞳、50° FOV，来自三款临床相机，分辨率 1556–2136 px 之间，属临床常规水平，未做科研级标准化。质量差的（遮挡/视盘不全）已剔除。

Q40：GRAPE 有没有公开榜单（leaderboard）？
没有。它不是一个挑战赛数据集，没有官方排名或固定测试集划分。论文给出的 AUC/MAE 可作为参考基线，但比较时须说明自己的划分方式。

Q41：为什么论文要选 ResNet-50 做基线？
ResNet-50 是成熟、通用、易复现的骨干网络，作为"技术验证"用途合适——重点是证明数据集"可训练、有信号"，而非追求 SOTA。使用者可替换为更现代的架构以提升性能。

Q42：GRAPE 的图像是否已隐去隐私？
是。论文明确彩照中的个人隐私信息已隐藏。

Q43：能否把 GRAPE 与其他青光眼数据集合并训练？
可以。已 2025 年研究将 GRAPE 与 Dankook-GNU 合并（762 眼）成功建模。但合并时要注意：设备、人群、分期口径的差异会带来域偏移，建议做域适配或分层评估。

Q44：GRAPE 的 IOP 可以用来做什么？
IOP 是青光眼最重要的可干预风险因素。数据集含基线与随访的 IOP，可用于：① 作为进展预测的特征；② 研究 IOP 控制与进展的关系。注意用药明细缺失，无法区分"药物控制下的 IOP"与"自然 IOP"。

Q45：数据集为什么叫"真实世界"（real-world）而不是"临床研究"（clinical trial）？
因为它来自常规诊疗流程（real-world appraisal），而非严格控制条件的临床试验——设备、随访节奏、检查完整性都反映真实临床的异质性。这提升了生态效度，但降低了内部一致性。

Q46：本条目与库内 papila 条目，读者该先看哪个？
若关心横向视盘视杯分割，先看 papila（rid 765）；若关心纵向进展预测，先看 GRAPE（本条）。二者互补，建议对照阅读。

1. GRAPE 全称：Glaucoma Real-world Appraisal Progression Ensemble。
2. 论文：Sci Data. 2023 Aug 5;10:520；DOI 10.1038/s41597-023-02424-4。
3. PMCID：PMC10404253；PMID：37543686。
4. 收稿 2023-02-05，接受 2023-07-28，在线 2023-08-05。
5. 数据集 Figshare firstOnline：2023-08-02；collection DOI 10.6084/m9.figshare.c.6406319.v1。
6. 患者 144 人，眼 263 只，随访记录 1115 条。
7. 采集窗口 2015–2022 年。
8. 年龄范围 18–81 岁；平均年龄 Table 2 为 42.51（SD 15.41），正文写 42.49。
9. 男性 75 人（52.08%）；右眼 130 只（49.43%）。
10. OAG 139 眼（96.53%）。
11. Baseline MD −7.11 dB（SD 5.71）；Total MD −7.21 dB（SD 5.71）。
12. 平均随访次数 4.21（SD 1.31）；平均随访年数 2.51（SD 1.01）；平均间隔 0.81 年（SD 0.41）。
13. 每眼随访 3–9 次；相邻间隔 >5 个月。
14. 原始眼底彩照 631 张；分割 JSON 631 个。
15. Baseline 表 263 行 ×80 列；Follow-up 表 1115 行 ×69 列。
16. 视野为 61 个测试点（末 61 列）。
17. 视野设备：OCTOPUS 900，G1 程序，刺激大小 III。
18. 视野质控：假阴性/假阳性率 ≥30% 剔除；不可感知点与 2 盲点编码 −1。
19. 彩照：非散瞳，50° FOV，三款相机三档分辨率（1556²/2136²/1611²）。
20. ROI 尺寸：453²/566²/432² px。
21. OCT：CIRRUS HD-OCT 5000，Optic Disc 200×200，仅基线。
22. IOP/CCT：非接触眼压计 NT-530P，每眼测 3 次取均值。
23. 进展口径三：PLR2、PLR3、MD；计算用 R 的 visual Fields package（改造版）。
24. 进展比例：PLR2 15.21%、PLR3 5.32%、MD 10.27%。
25. 纳入 OAG + ACG；排除其他视神经病、严重视网膜病、严重屈光介质混浊、已手术者、<18 岁。
26. 基线 A（进展预测）：ResNet-50，AUC 0.71/0.80/0.73，accuracy 0.75/0.91/0.81。
27. 基线 B（视野估计）：ResNet-50，MAE 4.143/4.029/4.107，R² 0.263/0.306/0.272。
28. 数据许可 CC0 1.0；论文 CC BY 4.0。
29. 数据集大小约 1.5 GB（第三方口径）。
30. 临床注册号 NCT04718532；伦理批号 Y2020–1027。
31. 数据采集机构：浙江大学医学院附属第二医院眼科中心（ZJU-2）。
32. 第一作者 Xiaoling Huang（黄笑羚）；通讯 Kai Jin 与 Juan Ye。
33. 合作单位：浙江大学控制学院、浙江白马湖实验室、UT Southwestern。
34. 数据分两表：Baseline（263 行）与 Follow-up（1115 行）。
35. 视野值编码：光敏感度值，不可感知点与盲点 = −1。
36. 视野左右眼镜像顺序提取，保证格式统一。
37. 彩照命名：<subject>_<laterality>_<visit>.jpg。
38. 分割命名：与彩照同名 .json。
39. 数据集主体 6 部分：1 Excel + 4 zip + 1 py（draw.py）。
40. 两个基线模型代码作为独立部分另存 Figshare。
41. 论文纳入标准依 AAO 青光眼 PPP 指南，3 名专家共同确认诊断。
42. 特征列含 Acquisition Device 与 Resolution。
43. Figshare 元数据标签：glaucoma, visual field, fundus image, progression, OCT measurements。
44. 第三方目录据 EyeDataHub 归一化许可为 cc0，scope=dataset_files。
45. 数据可用性 checked 2026-07-21（第三方），标注 end_to_end_tested。
46. 视野估计误差空间分布：旁中心下部最小、鼻侧最大。
47. 视野估计最优输入为 ROI（MAE 4.029、R² 0.306）。
48. 进展预测最优口径为 PLR3（AUC 0.80）但阳性率最低（5.32%）。
49. 第三方使用：GRAPE + Dankook-GNU 合并 762 眼预测 PSD（PMC12452310，2025）。
50. 数据集最初发布年份（第三方目录采集）2022，与官方 2023 口径冲突，以官方为准。

术语表（24 条）

术语	英文	释义
青光眼	Glaucoma	以视网膜神经节细胞丢失为特征的退行性视神经病，可致不可逆失明
开角型青光眼	OAG (Open-Angle Glaucoma)	房角开放型青光眼，本数据集占比 96.53%
闭角型青光眼	ACG (Angle-Closure Glaucoma)	房角关闭型青光眼
视野	VF (Visual Field)	眼睛能感知光刺激的空间范围，青光眼功能损害的指标
标准自动视野计	SAP (Standard Automated Perimetry)	自动化视野检查标准方法
平均偏差	MD (Mean Deviation)	视野整体相对正常人的平均光敏感度偏差，全局指标
逐点线性回归	PLR (point-wise linear regression)	对每个视野测试点做光敏感度随时间的回归，看局部趋势
眼底彩照	CFP (Color Fundus Photograph)	视网膜彩色照片
光学相干断层扫描	OCT (Optical Coherence Tomography)	视网膜结构成像技术
视网膜神经纤维层	RNFL (Retinal Nerve Fiber Layer)	视网膜神经纤维层，青光眼结构损害指标
视神经乳头	ONH (Optic Nerve Head)	视神经穿出眼球处
视盘	OD (Optic Disc)	眼底视神经乳头区域
视杯	OC (Optic Cup)	视盘中央凹陷区
杯盘比	CDR (Cup-to-Disc Ratio)	视杯与视盘直径之比，青光眼增大
眼压	IOP (Intraocular Pressure)	眼球内压力
角膜中央厚度	CCT (Central Corneal Thickness)	角膜中心厚度
感兴趣区域	ROI (Region of Interest)	本文指以视盘为中心的方形裁剪区
视盘旁萎缩	Parapapillary Atrophy	视盘周围视网膜色素上皮/脉络膜萎缩
重测变异性	Test-Retest Variability	同一测量重复进行的结果波动
结构-功能关系	Structure-Function Relationship	视网膜结构损害与视野功能丧失的对应关系
数据集许可	Dataset License	数据使用与分发条款
公共领域贡献	CC0 1.0	放弃几乎所有权利的最宽松许可
假阴性/假阳性率	False Negative/Positive Rate	视野检查可靠性指标，≥30% 判不可靠
保证人	Guarantor	论文中保证数据与结论可靠性的作者
真实世界数据	Real-World Data (RWD)	来自常规临床实践而非受控科研采集的数据
纵向数据	Longitudinal Data	同一对象在多个时间点重复观测的数据
随访	Follow-up	患者初次诊断后的定期复诊复查
基线	Baseline	患者接受全面青光眼评估的首次访次
采集设备	Acquisition Device	拍摄图像的仪器型号（本文三款彩照相机）
域差异	Domain Shift	不同设备/人群导致的分布差异
类别不平衡	Class Imbalance	正负样本比例悬殊，本文 PLR3 进展仅 5.32%
曲线下面积	AUC	二分类鲁棒指标，对不平衡不敏感
平均绝对误差	MAE	回归误差指标（本文单位 dB）
决定系数	R²	回归解释力，本文视野估计仅约 0.3
模式标准差	PSD (Pattern Standard Deviation)	视野局部缺损指标，第三方研究用其建模
光敏感度	Light Sensitivity	视野各点感知光的能力，本文视野值
兴趣区裁剪	ROI Cropping	以视盘为中心的方形裁剪预处理
掩码	Mask	分割的二值/多类图像，本文需从坐标生成
镜像顺序	Mirror Order	左右眼视野按互为镜像的顺序提取

附录

附录 A：条目信息速查卡

字段	内容
条目名	GRAPE
slug	grape-glaucoma
官方全称	GRAPE: A multi-modal dataset of longitudinal follow-up visual field and fundus images for glaucoma management
缩写正解	Glaucoma Real-world Appraisal Progression Ensemble
机构	浙江大学医学院附属第二医院眼科中心
联系	通讯 Kai Jin / Juan Ye
论文	Sci Data 2023;10:520
DOI（论文）	10.1038/s41597-023-02424-4
DOI（数据）	10.6084/m9.figshare.c.6406319
规模	144 患者 / 263 眼 / 1115 随访记录
模态	视野 + 眼底彩照 + OCT + IOP/CCT/临床
许可	CC0 1.0（数据）/ CC BY 4.0（论文）
获取	Figshare 自助下载

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	8	论文开放获取 + Figshare collection 可索引 + 第三方目录（EyeDataHub）收录；但 “GRAPE” 缩写通用，检索易被无关结果稀释
A 可获取性	9	CC0 公共领域 + Figshare 自助下载，无授权门槛，库内最宽松一档；仅需 Figshare 账号手动下载微降分
I 可互操作	8	Excel 表格 + JPG + 标准 JSON 坐标，通用格式易读；含 draw.py 可复现；但无 DICOM/BIDS 等医学标准封装
M 元数据质量	8	论文 Table 1/2/3 完备（列定义、人群画像、进展口径、基线结果）；少数口径漂移（年龄 42.49 vs 42.51）与第三方设备误标微降分
S 可持续性	9	Figshare（figshare.com 为 Figshare 平台，长期稳定托管）+ 论文 CC BY 开放获取 + ORCID 记录；无请求制单点风险
综合评级	8.4/10（优秀）	许可宽松 + 平台稳定 + 文档完备，可获取性与可持续性突出；规模偏小与方法学偏斜主要在"数据价值"层面而非"可获取性"层面减分

附录 C：文件获取决策树

你要用 GRAPE 做什么？
├─ 视野进展预测（分类）
│   ├─ 需要进展标签 → Baseline sheet 的 PLR2/PLR3/MD 列
│   ├─ 输入图像 → CFPs 文件夹（基线对应彩照）
│   └─ 注意：不平衡（尤其 PLR3），看 AUC 不看 accuracy
├─ 视野数值估计（回归）
│   ├─ 输入 → CFP / ROI 图 / ROI+分割
│   ├─ 输出 → 61 列视野值
│   └─ 最优基线输入 = ROI 彩照
├─ 视盘/视杯分割（分割）
│   ├─ 标注 → json 文件夹（631 个坐标）
│   └─ 绘图 → draw.py
└─ 只要临床表格（不含图像）
    └─ Excel "VF and clinical information"（Baseline + Follow-up）

附录 D：许可条款速读

资产	许可	可否商用	是否需署名
数据集本体	CC0 1.0	✅ 可	❌ 不强制（学术惯例建议引用）
论文	CC BY 4.0	✅ 可	✅ 需

附录 E：来源 URL 列表

1. 论文（Nature Scientific Data）：https://www.nature.com/articles/s41597-023-02424-4
2. PMC 全文：https://pmc.ncbi.nlm.nih.gov/articles/PMC10404253/
3. Figshare collection（数据集）：https://doi.org/10.6084/m9.figshare.c.6406319
4. Figshare API 元数据：https://api.figshare.com/v2/collections/6406319
5. 第三方使用（PSD 预测，PMC）：https://pmc.ncbi.nlm.nih.gov/articles/PMC12452310/
6. EyeDataHub 目录：https://khosravipooya.com/EyeDataHub/datasets/grape
7. 浙大眼科医院官方报道：http://www.eye-zju.cn/contents/183/4431.html
8. 论文在线校对信息（PMC）：https://pmc.ncbi.nlm.nih.gov/articles/PMC10404253/

附录 F：双口径存照（与 §9 / FACTS §9.1 对照）

项	口径 A	口径 B	采信
平均年龄	正文 42.49 岁	Table 2 42.51 (15.41)	并列
MD	Baseline −7.11	Total −7.21	区分口径
数据集日期	Figshare 2023-08-02	论文 2023-08-05	并列（不同事件）
缩写展开	任务头 brief（含 vascular）	官方 Real-world Appraisal Progression Ensemble	官方
视野设备	论文 Octopus 900 G1	EyeDataHub 标 HFA 24-2	论文
引用年	EyeDataHub BibTeX 2022	官方 firstOnline 2023	官方

附录 G：库内互链对照表

库内条目	rid	模态/任务	与 GRAPE 关系
papila	765	眼底视盘视杯分割	最强互链（同含 OD/OC，横向 vs 纵向）
messidor	59	糖网眼底彩照	同 CFP 模态，不同疾病
eyepacs	58	糖网眼底彩照（大规模）	同 CFP 模态，规模对照
refuge	62	青光眼筛查挑战赛	同为青光眼主题（横断面筛查）
refuge2	766	青光眼筛查（续作）	同 refuge 谱系
aptos-2019	61	糖网眼底彩照	同 CFP 模态，跨病种
ddr	201	糖网眼底彩照	同 CFP 模态，跨病种
oct2017	311	OCT 图像分类	同为眼科成像模态（OCT）

附录 H：Baseline sheet 字段全表（80 列）

序	字段	含义	类型
1	Subject Number	受试者编号 1–144	整数
2	Laterality	眼别 OD/OS	字符
3	Age	年龄	整数
4	Gender	性别 M/F	字符
5	IOP	眼压	数值
6	CCT	角膜中央厚度	数值
7	Total Visits	该眼总随访次数	整数
8	Progression Status-PLR2	PLR2 进展 0/1	整数
9	Progression Status-PLR3	PLR3 进展 0/1	整数
10	Progression Status-MD	MD 进展 0/1	整数
11	Category of Glaucoma	OAG/ACG	字符
12	OCT RNFL Mean	平均 RNFL 厚度	数值
13–16	OCT RNFL S/N/I/T	上/鼻/下/颞象限 RNFL	数值
17	Corresponding CFP	对应彩照文件名	字符
18	Acquisition Device	拍摄设备	字符
19	Resolution	彩照分辨率	字符
20–80	VF（61 列）	61 个视野点光敏感度	数值

附录 I：Follow-up sheet 字段全表（69 列）

序	字段	含义	类型
1	Subject Number	受试者编号	整数
2	Laterality	眼别 OD/OS	字符
3	Visit Number	距基线的访次序号	整数
4	Interval Years	距基线间隔年数	数值
5	IOP	眼压	数值
6	Corresponding CFP	对应彩照文件名（可能为 “/”）	字符
7	Acquisition Device	拍摄设备	字符
8	Resolution	彩照分辨率	字符
9–69	VF（61 列）	61 个视野点光敏感度	数值

附录 J：规范引用格式

数据集（Figshare）：

Huang, Xiaoling; Kong, Xiangyin; Shen, Ziyan; Jin, Kai; Ye, Juan (2023). GRAPE: A multi-modal glaucoma dataset of follow-up visual field and fundus images for glaucoma management. figshare. Collection. https://doi.org/10.6084/m9.figshare.c.6406319.v1

论文（Sci Data）：

Huang X, Kong X, Shen Z, Ouyang J, Li Y, Jin K, Ye J. GRAPE: A multi-modal dataset of longitudinal follow-up visual field and fundus images for glaucoma management. Sci Data. 2023;10:520. doi:10.1038/s41597-023-02424-4

附录 K：版本与时间线

时间	事件
2023-02-05	论文收稿
2023-07-28	论文接受
2023-08-02	数据集 Figshare collection 首次在线（v1）
2023-08-05	论文 Sci Data 10:520 在线
2026-07-21	第三方目录确认数据可用（checked）
2026-10-07	本条目成稿

附录 L：检索与命名避坑速查

检索意图	正确做法	常见错误
找 GRAPE 本体	用 “Glaucoma Real-world Appraisal Progression Ensemble” 或 DOI	用 “glaucoma retinal vessel dataset”（GRAPE 无血管）
区分 GRAPE 与其他	认准 ZJU-2 + 263 眼 + 1115 记录	与 RIGA/PAPILA 等横断面数据集混为一谈
找进展标签	Baseline sheet 三列	期待 GRAPE 给"临床终点"标签
找分割	631 个 JSON 坐标	期待现成二值掩码
确认设备	论文：Octopus 900	采信第三方 “HFA 24-2” 标注

附录 M：数据可用性声明（照录论文要点）

GRAPE 数据集可通过 Figshare 链接下载。数据集由基线的多模态临床信息与随访期的纵向视野、彩照、IOP 组成。推荐用于预后评估与视野估计的 AI 模型开发；传统机器学习模型亦可应用。使用者应正确引用本文并在研究中致谢。

附录 N：数据读取骨架（伪代码）

以下为按纪律包"复杂逻辑写成脚本"建议的读取骨架，仅供结构参考，非可运行代码：

# 读取临床与视野表
baseline = load_excel("VF and clinical information", sheet="Baseline")   # 263 行 x 80 列
followup = load_excel("VF and clinical information", sheet="Follow-up")  # 1115 行 x 69 列

# 眼睛级主键（防同眼泄漏的关键）
baseline["eye_id"] = baseline["Subject Number"] + "_" + baseline["Laterality"]
followup["eye_id"] = followup["Subject Number"] + "_" + followup["Laterality"]

# 探明缺失模式（先看再删）
n_with_cfp = count(baseline["Corresponding CFP"] != "/")
n_oct_present = count(baseline["OCT RNFL thickness"] != "/")

# 选定并锁定进展口径（三选一，勿混）
label_col = "Progression Status-PLR3"   # 例：PLR3
labels = baseline[["eye_id", label_col]]

# 按眼分组划分，避免同眼跨训练/测试
train_eyes, test_eyes = group_split_by_eye(baseline["eye_id"], test_ratio=0.2, stratify=label_col)

附录 O：进展标签计算口径清单

口径	判据	工具	阳性率
PLR2	显著负斜率点（P<0.01）≥2	R visual Fields package	15.21%
PLR3	显著负斜率点（P<0.01）≥3	R visual Fields package	5.32%
MD	MD 斜率负且 P<0.05	R visual Fields package	10.27%

说明：三种标签均已由作者算好并写入 Baseline sheet，使用者通常无需自行重算；若需重算，须复现改造版 visual Fields package 以兼容 Octopus 视野。

附录 P：误差与评分解读要点

指标	数值（基线）	解读
进展预测 AUC	0.71–0.80	中等，任务未做满
进展预测 accuracy（PLR3）	0.91	受不平衡抬高，勿单独采信
视野估计 MAE（ROI）	4.029 dB	结构化最优输入
视野估计 R²（ROI）	0.306	解释力有限（<1/3 方差）
视野估计 MAE（ROI+分割）	4.107 dB	显式分割未增益

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• refuge — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 青光眼
• fives — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 青光眼
• drions-db — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 青光眼
• rim-one — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 青光眼
• drishti-gs — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 青光眼
• uwhvf — 共享标签：眼科影像 / 医学图像分割 / 时序数据 / 青光眼
• gamma — 共享标签：医学影像 / 眼科影像 / 青光眼
• idrid — 共享标签：医学影像 / 眼科影像 / 医学图像分割
• fairseg — 共享标签：医学影像 / 眼科影像 / 医学图像分割
• origa-light — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 青光眼

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。