基于Voronoi图与人工智能的糖尿病视网膜病变自动诊断性能增强研究

本研究针对糖尿病视网膜病变(DR)早期诊断难题，创新性融合Voronoi图与机器学习技术开发VDRAN系统。通过分析MESSIDOR数据库中800张眼底图像，发现决策树模型AUC达0.964，显著提升微动脉瘤空间分布特征识别能力。该研究为DR筛查提供高精度自动化解决方案，对优化医疗资源分配具有重要临床意义。

　　

在全球范围内，糖尿病视网膜病变（Diabetic Retinopathy, DR）已成为导致工作年龄人群视力丧失的主要原因之一，约影响9300万患者。随着糖尿病患病率的持续攀升，DR给全球医疗系统带来沉重负担。传统诊断依赖眼科医生手动检查眼底图像，不仅耗时且易受主观因素影响，在医疗资源匮乏地区更可能延误治疗。尽管人工智能（AI）技术已在医学影像分析领域展现出潜力，但如何精准识别DR早期标志物——尤其是直径仅10-100微米的微动脉瘤——仍是技术瓶颈。

为解决这一挑战，巴西塞阿拉联邦大学的研究团队在《Scientific Reports》发表最新研究，提出一种名为VDRAN（Voronoi-based Diabetic Retinopathy Analysis）的创新算法。该研究通过整合Voronoi图的空间分析能力与多种机器学习分类器，实现了对DR病变特征的多维度捕捉。特别值得注意的是，团队首次将Voronoi图应用于微动脉瘤的空间分布模式分析，通过计算每个Voronoi细胞的密度参数，量化病变的聚集特征，为DR分期诊断提供了新视角。

研究团队采用多阶段技术路线：首先对眼底图像进行预处理，分别分割血管、渗出物和微动脉瘤；随后利用Voronoi图对微动脉瘤的空间分布进行建模；最后提取8类特征参数（包括病变面积、纹理特征等）输入分类器。实验中对比了支持向量机（SVM）、逻辑回归、朴素贝叶斯、k近邻（kNN）和决策树五种模型，采用5折交叉验证评估性能。

**

关键技术方法

研究基于MESSIDOR数据库的800张眼底图像，采用通道分离（绿色通道血管增强/红色通道渗出物检测）、对比度受限自适应直方图均衡化（CLAHE）、奥tsu阈值法分割病变区域，结合灰度共生矩阵（GLCM）提取纹理特征。创新性引入Voronoi图计算微动脉瘤空间密度，最终通过5种机器学习分类器进行性能对比。

研究结果

ROC曲线下面积分析

决策树分类器表现最为突出，曲线下面积（AUC）达0.956，显著优于其他模型。逻辑回归（AUC=0.634）与SVM（AUC=0.545）判别能力有限，而kNN（AUC=0.689）和朴素贝叶斯（AUC=0.568）处于中等水平。值得注意的是，引入Voronoi图后决策树AUC进一步提升至0.964，其他分类器也有明显改善，如逻辑回归AUC提升18.1%，证明Voronoi特征对模型性能的增强作用。

分类器性能对比

统计检验显示绝大多数模型间差异极显著（p<0.00001）。决策树在准确率（0.928±0.024）、精确度（0.931±0.021）、F1分数（0.927±0.025）等指标全面领先，且敏感度（0.925±0.028）与特异度（0.930±0.026）均衡，符合临床诊断对假阳/阴性控制的双重要求。

**

Voronoi图的增强效应

通过对比引入Voronoi图前后的性能数据，发现该技术尤其能提升线性模型的判别能力。例如逻辑回归的微动脉瘤检测敏感度从0.682提升至0.794，说明空间分布特征弥补了传统线性模型对复杂模式识别的不足。而SVM性能下降则提示Voronoi特征可能改变了原始特征空间的结构适应性。

讨论与结论

本研究证实Voronoi图能有效增强DR自动诊断系统的性能，其核心价值在于将微动脉瘤的形态学特征转化为可量化的空间分布参数。决策树模型的优异表现归因于其处理非线性特征的能力，这与DR病变的复杂性高度契合。相比Gulshan等人基于深度学习的方案（AUC=0.99），VDRAN虽绝对性能稍逊，但具有模型透明、计算资源需求低（仅需个人电脑）的优势，更适用于基层医疗场景。

研究局限性在于未整合出血点等后期病变特征，未来可通过扩展Voronoi图到多类型病变分析进一步提升五阶段分级精度。这项工作为AI辅助DR诊断提供了新思路——即通过数学几何方法与机器学习的结合，在保证准确性的同时增强模型可解释性，对推进眼科AI工具的临床转化具有重要启示意义。