A Hybrid OCTA Framework Integrating Quantitative Handcrafted Biomarkers and Deep Learning for Automated Diabetic Retinopathy Grading
本研究提出了一种结合手工特征生物标志物与深度学习特征，并利用稳定性引导选择的混合型 OCTA 框架，旨在实现鲁棒且高准确度的糖尿病视网膜病变自动分级，其中表现最佳的模型（ViT-B16 + 手工特征 + XGBoost）达到了 0.95 的 AUC。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
糖尿病是一种影响全身的系统性疾病，但其最严重的后果之一发生在眼睛。随着时间的推移，高血糖会损伤视网膜（位于眼球后方、具有光敏性的组织）中细微的微血管网络。这种被称为糖尿病视网膜病变的损伤会经历不同的阶段。它始于非增殖性变化，即微小的血管变弱并发生渗漏；随后可能进展到增殖阶段，此时眼睛试图通过生长新的、脆弱的血管来进行自我修复，而这些新血管往往会导致严重的视力丧失。及早发现这一转变至关重要，因为它决定了患者是仅需简单监测，还是需要紧急治疗以防止失明。
几十年来，医生一直依赖对眼部图像的人工检查来发现这些变化。然而，这一过程具有主观性，且因专家而异。近年来，一种被称为光学相干断层扫描血管造影（OCTA）的技术已成为一种强大的工具。与需要通过静脉注射染料的旧方法不同，OCTA 利用光线在无需使用针头的条件下，创建视网膜血管系统的详细三维图谱。它能以极高的清晰度揭示微血管系统的健康状况。然而，解读这些复杂的图谱仍高度依赖于人类的眼睛，而人类可能会遗漏疾病进展中的细微迹象。研究人员面临的挑战在于，如何构建一个既能像医生一样准确读取图像，又具备机器般的连贯性和速度的计算机系统。
研究人员开发了一种结合两种不同观察数据方式的新方法来解决这一问题。他们并没有仅仅依赖计算机“观察”图像模式的能力，也没有仅仅依赖医生测量特定血管特征的能力，而是创建了一个兼具两者的混合系统。他们的这种方法详述于最近的一项研究中，该方法整合了传统的、人工测量的生物标志物与先进的深度学习技术。研究人员首先收集了来自 377 名患者的大量 OCTA 图像，包括来自公共数据库和伊朗当地队列的数据。这些图像经过专门设计的流程进行了清洗和增强，旨在去除噪声并提高血管的可视度，从而确保计算机是在处理尽可能清晰的图像。
其创新的核心在于如何教计算机分析这些图像。首先，他们提取了数百个特定的、手工制作的测量指标。这些指标包括关于血管的定量数据，例如它们的密度、扭曲程度以及不存在血管的中心空白区域的大小。他们还纳入了视网膜层的结构测量数据以及临床数据（如血糖水平）。与此同时，他们将图像输入到三种不同类型的先进人工智能模型中。这些模型在数百万张通用图像上进行了训练，学习识别人类可能无法明确定义的复杂模式和纹理。随后，研究人员将这两组信息——精确的生物学测量值与基于深度学习模型的抽象模式洞察——整合进一个统一的数据集中。
为了确保系统不会被过量的信息所淹没，团队应用了严格的选择过程。他们使用了一种稳定性引导的方法来过滤冗余或不可靠的数据点，仅保留那些能一致帮助区分不同疾病阶段的特征。这一过程将变量减少了 96% 以上，留下了一套精简且高效的生物标志物集。最具信息量的特征被证实与血管本身有关，特别是它们的密度和复杂性，这证实了微血管系统的健康状况是疾病进展最显著的征兆。
当研究人员测试他们的混合系统时，结果令人瞩目。通过特定的机器学习算法处理手工制作的生物标志物与深度学习特征的结合，该系统在判定糖尿病视网膜病变严重程度方面达到了极高的准确度。该系统在区分中度与重度阶段方面表现尤为出色，而这一过渡阶段通常是人类难以精准判定的。研究发现，预处理步骤（即清洗和增强图像的过程）至关重要；如果没有这一步，深度学习模型的表现会受到限制。表现最佳的配置是将增强后的图像与混合特征集相结合，它正确识别疾病阶段的准确度表明，该系统可以作为临床应用的可靠工具。
研究人员强调，他们的工作证明了将人类定义的医学知识与人工智能的模式识别能力相结合的价值。通过证明这两种方法可以互补，他们创建了一个比单一方法更稳健的框架。尽管这项研究是在特定的图像集上进行的，并且需要在更大规模、更多样化的患者群体中进行进一步测试，但其发现为未来提供了一条充满希望的路径。这种混合框架最终可以帮助医生做出更快、更一致的临床决策，确保在正确的时间实施正确的治疗，从而保护患者的视力。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。