🧬 biology

Optic Disc Colour Ratio: A Fundus Pigmentation Proxy for Subgroup Fairness Analysis in Diabetic Retinopathy Screening

本文引入了视盘颜色比（ODCR）作为无标签的眼底色素代理指标，旨在揭示糖尿病视网膜病变筛查模型由于血管-背景对比度降低，系统性地为深色色素眼底分配更高的转诊概率，这种由灵敏度校准决策规则驱动的差异在标准 AUC 指标中是不可见的，但对于公平性审计至关重要。

原作者： Aaron Ajit

发布于 2026-06-25

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Aaron Ajit

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

想象一下，你正在雇佣一名保安来观察人群中微小的红色警示信号（病灶）。但问题在于，这个“人群”并不只是普通人，而是通过相机拍摄的人类眼睛内部。

这篇研究论文讲述的是一个关于一个“保安”（一个人工智能程序）的故事，它的职责是识别眼底照片中糖尿病视网膜病变（一种可能导致失明的疾病）的早期迹象。这个 AI 在处理“标准”照片时表现得非常出色，但研究员 Aaron Ajit 发现，它表现出的行为会根据人眼背景的自然颜色而发生变化。

以下是这篇论文的研究发现，用简单的语言解释如下：

1. 问题所在：“暗室效应”

把眼睛内部想象成一个房间。

浅色眼睛就像是一个有着白墙的房间。如果你在地上掉下一个红色的弹珠（病灶），它会非常醒目。相机能轻易捕捉到它。
深色眼睛的墙壁被涂成了深褐色或黑色（这是由于天然色素——黑色素的原因）。如果你在深色的地板上掉下同样的红弹珠，它就会变得有些难以辨认。这让观察变得更加困难。

这个 AI 主要是在“白墙”房间里接受训练的。当它观察“深色墙壁”的房间时，红色的弹ло珠就变得难以察觉了。但转折点在于：AI 不仅仅是看不清，它还变得“过度紧张”了。

2. “虚假警报”的习惯

因为在深色房间里很难看清红色的弹珠，AI 变得焦虑了。它开始想：“我看不清楚，所以为了保险起见，我最好假设那里确实有一个红弹珠。”

结果： AI 经常会将深色眼睛的人标记为“需要看医生”，即便这些人其实非常健康。
类比： 想象一个房子里的烟雾探测器，面对的是深色的烟雾（深色眼睛）与面对清澈的空气（浅色眼睛）时的区别。在深色烟雾的房子里，即使没有火灾，探测器也会因为空气本身有些浑浊而频繁鸣叫。

3. 新的“尺子” (ODCR)

研究人员需要一种方法来测量一只眼睛有多“深”或多“浅”，而不需要询问患者的种族或族裔（这些信息在医疗数据中并不总是被记录下来的）。

他发明了一个名为视盘颜色比率 (Optic Disc Colour Ratio, ODCR) 的工具。

它是如何工作的： 他观察了照片中视神经周围的组织环（视盘），通过测量那里的颜色来得出一个分数。
隐喻： 这就像是用一台比色计扫描一幅画中的特定区域，从而判断画布是深色还是浅色，而无需知道是谁画的，也无需知道画家的来源。这个分数让他能够公平地对患者进行分组。

4. “隐形”的差距

研究人员用五种不同的方式测试了该 AI（尝试了不同的技巧以使其更加公平）。

陷阱： 如果你只看 AI 的整体评分（称为 AUC），一切看起来都很完美。AI 似乎对所有人都在同样高效地工作。
现实： 当你观察得更仔细时，你会看到差距。AI 对深色眼睛的人存在“过度预测”的情况。它把太多健康的人误判为“有病”。
类比： 这就像是一场考试，大家都得到了及格的分数，但深色眼睛的学生得了“99%”，而浅色眼睛的学生得了“95%”，尽管两人都及格了。平均分看起来没问题，但分布却发生了偏移。

5. 为什么“修复”它如此棘手

研究人员尝试通过以下方式来修复这个问题：

向 AI 展示更多深色眼睛的照片（过采样）。
在训练期间让深色眼睛的照片看起来颜色更深（数据增强）。
告诉 AI 要格外小心不要漏掉病人（灵敏度校准）。

令人惊讶的是： 这些修复措施反而加剧了针对深色眼睛的“虚假警报”问题。AI 变得更加焦虑，甚至会对更多的健康深色眼睛人群发出警报。唯一稍有帮助的是平衡数据，但这并没有解决根本原因。

6. “信噪比” (Signal-to-Noise Ratio, SNR)

论文使用“信噪比”这一概念来解释这一点。

信号： 红色的病灶（疾病）。
噪声： 眼睛深色的背景。
发现： 在深色眼睛中，“噪声”更大，使得“信号”变得更弱。数学计算显示，深色眼睛中的对比度大约比浅色眼睛弱 1.14 倍。
后果： 因为信号变弱了，AI 的“信心计”会产生混乱，从而推高评分，导致了那些虚假警报。

7. 核心结论

论文得出结论：

不要仅仅信任整体评分： 一个 AI 在纸面上可能看起来很“公平”，但在实际操作中仍会对不同群体采取不同的对待方式。
深色眼睛承担了“假阳性”的负担： 由于 AI 对其照片过于谨慎，深色眼睛的人被不必要地送往专家处就诊。
你不能仅仅通过“校准阈值”来解决问题： 仅仅改变“何时标记一名患者”的规则并不能解决问题。问题出在 AI 最初观察图像的方式上。

简而言之： 这个 AI 就像一个守卫，因为太害怕在黑暗的房间里错过威胁，所以为了保险起见，开始逮捕无辜的人。研究人员建立了一个衡量房间“黑暗程度”的工具，并证明了这种焦虑是一个真实存在的、可衡量的难题，且目前的 AI 修复手段无法解决这一问题。

技术摘要：用于糖尿病视网膜病变筛查中亚组公平性的视盘颜色比（ODCR）

问题陈述

自动化糖尿病视网膜病变（DR）筛查系统在经过精选的基准测试集上达到了专家级精度，但在不同亚组之间表现出难以理解的性能差异。虽然此前的研究通常将这些差异归因于数据不平衡，但本文认为存在一种机制性解释：脉络膜色素沉着（黑色素浓度）降低了病灶（微血管瘤、出血）与视网膜背景之间的光学对比度。

这种**信噪比（SNR）**的降低在物理层面上削弱了卷积病灶检测器可获取的输入信号。作者假设这导致了一种特定的失效模式：过度预测（over-prediction）。由于深色色素底色的眼底具有较低的病灶-背景对比度，无论其真实标签如何，它们都会被系统性地以更高的比例标记为“需转诊”，从而给欠发达人群带来了不成比例的假阳性负担。这与皮肤科 AI 不同，在皮肤科中，类似的对比度问题通常表现为特异性失败（漏检）。

方法论

1. ODCR 代理指标

为了在不依赖真实种族标签的情况下进行公平性审计，作者引入了视盘颜色比（ODCR）。

定义： 在 CIE $L^*a^*b^*$ 色彩空间中，从视盘周围环形区域（peripapillary annulus）计算出的指标。
公式： $odcr = \arctan(\frac{\bar{L}^* - 50}{\bar{b}^*}) \times \frac{180}{\pi}$ 。
功能： 数值越高表示色素越浅；数值越低表示色素越深。它作为一个类似于皮肤科中使用的个体类型角（ITA）的代理指标。
分层： 根据训练集中 ODCR 的三分位数将患者分为“深色”、“中等”和“浅色”三组。

2. SNR 分析

作者通过量化血管-背景 SNR 来验证物理机制。

指标： $SNR = \frac{|\mu_{lesion} - \mu_{background}|}{\sigma_{background}}$ 。
方法： 通过自适应绿通道阈值法（血红蛋白吸收峰）识别候选微血管瘤像素，同时从中等亮度的视盘周围组织中采样背景。

3. 实验设置

数据集：
- EyePACS： 35,126 幅图像（基于美国）。使用患者级拆分（训练集：24,588；验证集：5,268；测试集：5,270）以防止数据泄露。
- APTOS 2019： 3,662 幅图像（印度人群）用于零样本迁移验证。
模型架构： 以 EfficientNet-B2 为骨干网络，并配备一个带有调节分支（Linear3→16→32）的结构，该分支用于拼接色调嵌入（tone embeddings）。
消融研究： 在锁定的 EyePACS 测试集上测试了五种变体：
1. 基准（Baseline）： 标准训练（ $pos\_weight=2.0$ ）。
2. 仅增强（Aug-only）： 深色眼底增强 + 3倍过采样。
3. 仅色调（Tone-only）： ODCR 条件化。
4. 完整版（Full）： 所有干预措施的结合。
5. 平衡基准（Balanced-baseline）： 等量采样和 $pos\_weight=1.0$ （对照组）。
评估： 指标包括 AUC、灵敏度（Sensitivity）和特异性（Specificity），并按 ODCR 组进行分层。通过置换检验（permutation tests）和自助法置信区间（bootstrap confidence intervals）评估统计显著性。

关键结果

1. 深色底色中的 SNR 降低

研究证实了深色底色中病灶-背景对比度的显著组间降低。

幅度： 浅色对深色 SNR 比率为 1.14×。
显著性： 这种降低具有统计学意义（通过 Kruskal–Wallis 检验 $p = 3 \times 10^{-10}$ ；通过 Mann–Whitney 检验 $p = 0.0005$ ）。
比较： 与皮肤科（其比例为 5.2×）相比，这种效应有所减弱，这可能是因为脉络膜位于视网膜色素上皮层之后，且活跃的眼底照明部分补偿了吸收。

2. “评分提升特征”

在所有五种模型变体中，深色色素底色的预测概率系统性地高于浅色底色，无论真实标签如何。

证据： 在 Baseline 变体中，深色真阴性（true-negatives）的平均分数为 0.128，而浅色真阴性为 0.105（ $\Delta = +0.023$ ）。
含义： 这表明在低对比度下存在全局模型不确定性，导致预测向正类偏移。

3. 灵敏度不对称（过度预测）

在经过灵敏度校准训练后（特别是 Full 变体），评分提升表现为灵敏度差距而非特异性差距。

Full 变体差距： 深色灵敏度 (0.642) 对比浅色灵敏度 (0.535)， $\Delta = +0.107$ ( $p = 0.015$ )。
特异性差距： 特异性差距很小且不显著（ $\Delta \approx -0.009$ ）。
临床影响： 这导致与浅色底色患者相比，每 1,000 名深色底色患者约增加 4 例过度转诊。
AUC 不足性： 组间的 AUC 差距微乎其微（ $\le 0.008$ ）且不显著，证实了在此背景下，AUC 本身不足以进行公平性审计。

4. 外部验证

向 APTOS 2019 数据集（印度人群）的零样本迁移复制了该特征。评分提升更为显著（真阴性 $\Delta = +0.101$ ），这与较深的群体分布一致。

5. 因果结构

阈值校准： 调整决策阈值（ $t = 0.30–0.65$ ）并未消除差距，表明该差异植根于预测概率分布中，而非仅仅是决策边界的问题。
平衡处理： 类别平衡减少了相对于 “Full” 变体的差距，但未能将其降低至 “Baseline” 水平以下。这表明存在一种混合因果结构：差异很大程度上是由灵敏度校准决策规则（过采样和高 $pos\_weight$ ）与物理 SNR 缺失相互作用驱动的。

意义与主张

本文声称提供了一种对 DR 筛查中公平性差异的机制性理解，超越了单纯的数据不平衡，转向了物理光学特性。

ODCR 作为代理指标： 它建立了一个计算可及且无需标签的底色色素代理指标，从而在没有种族标签的情况下实现亚组分析。
SNR 作为差异类型的预测因子： 本文提出 SNR 降低的幅度 可能预测差异的轴向。
- 高 SNR 降低（皮肤科，5.2×） $\rightarrow$ 特异性失败（漏检）。
- 减弱的 SNR 降低（眼底，1.14×） $\rightarrow$ 灵敏度失败（过度预测）。
AUC 的局限性： 本文证明了在 DR 筛查中，像 AUC 这样的标准指标可能会掩盖显著的亚组差异，因此有必要进行分层的灵敏度和特异性报告。
临床建议： 作者认为，公平性审计必须关注深色色素人群中的过度预测（额外的假阳性），并且事后阈值校准不足以解决这些差异。

研究结论认为，脉络膜色素沉着是一个可测量的、具有统计学意义的组间混杂因素，它驱动了 DR 筛查中的过度预测现象，这一现象在 AUC 中是不可见的，但可以通过 ODCR 分层分析检测出来。