编辑推荐：
青光眼是全球不可逆失明的主要原因，对少数族裔影响尤为严重，现有深度学习模型在不同身份群体中的表现可能不均衡。研究人员开展了公平身份归一化（FIN）模块的研究，结果表明该模块可提高模型性能公平性，对推动公平的青光眼筛查意义重大。
青光眼，这个悄然潜伏的 “视力杀手”，正威胁着全球无数人的光明未来。它是全球不可逆失明的主要病因，如同隐匿在黑暗中的幽灵，悄无声息地侵蚀着人们的视力。据统计，全球约 3.5% 的 40 - 80 岁人群受其困扰，美国有 300 万患者，全球更是多达 8000 万 。而且，青光眼偏爱 “隐藏行踪”，多数患者在视力严重受损，影响到日常阅读、驾驶等活动时才惊觉患病，此时往往已错过最佳治疗时机。
更令人担忧的是，青光眼对不同种族和族裔群体 “区别对待”。黑人、亚洲人以及西班牙裔患者在初诊时，视野（VF）损失比白人、非西班牙裔更为严重，且他们更有可能未被诊断和治疗。这背后的原因错综复杂，经济条件限制导致难以获得眼科护理服务，语言障碍影响就医沟通等 。
在人工智能蓬勃发展的当下，深度学习模型为青光眼检测带来了新希望。然而，这些模型却存在 “不公平” 的问题。由于数据不平等和不同群体数据特征的差异，标准深度学习模型在算法上倾向于多数群体，无法公平地在不同身份群体中发挥作用 。为了解决这些棘手问题，来自哈佛医学院 Schepens 眼科研究所哈佛眼科人工智能实验室等机构的研究人员展开了深入研究。他们致力于开发一种公平身份归一化（FIN）模块，期望能打破这种不公平的局面，实现公平的青光眼筛查。
这项研究成果意义非凡，相关论文发表在《npj Digital Medicine》上。它为青光眼筛查的公平性提供了新的解决方案，有望改善不同身份群体的青光眼诊断现状，推动眼科医疗领域的公平发展。
研究人员为开展此项研究，运用了多种关键技术方法。他们收集了来自马萨诸塞州眼耳医院（MEE）青光眼服务中心 2021 - 2023 年 7418 名患者的视网膜神经纤维层厚度（RNFLT）图和 3D 光学相干断层扫描（OCT）B 扫描数据，以及一个公共数据集 GRAPE。基于这些数据，研究人员以 EfficientNet 为骨干模型，结合 FIN 模块构建深度学习模型，并采用 AUC、AUPRC、ES - AUC 等指标评估模型性能 。
下面来具体看看研究结果：
- 数据集收集：MEE 数据集包含 7418 名患者的 RNFLT 图和 3D OCT B 扫描数据，患者年龄 10 - 100 岁，57.8% 为女性，4.6% 为西班牙裔，种族分布为 8.6% 亚洲人、14.9% 黑人、76.5% 白人，46.7% 的患者被诊断为青光眼 。GRAPE 数据集包含 263 张彩色眼底图像，用于预测青光眼进展。
- 使用 RNFLT 图的青光眼筛查性能：研究对比了 ResNet、RETFound 和 EfficientNet 等模型在结合 FIN 前后的性能。结果显示，结合 FIN 后，EfficientNet 在种族群体中的总体 AUC 从 0.82 提升到 0.85，ES - AUC 从 0.766 提升到 0.814，黑人的 AUC 从 0.77 提升到 0.82；在性别群体和族裔群体中，总体 AUC 和 ES - AUC 也均有提升 。与其他方法相比，FIN 在不同身份群体中通常能实现更好的 AUC 和 ES - AUC 性能。
- 使用 3D OCT B 扫描的青光眼筛查性能：使用 3D OCT B 扫描结合 FIN 进行青光眼筛查，在种族、性别和族裔群体中，总体 AUC 和 ES - AUC 均有显著提升。与过采样方法相比，FIN 在种族和性别属性上的总体 AUC 和 ES - AUC 也有明显改善 。
- 使用彩色眼底图像的青光眼进展预测性能：在 GRAPE 数据集上测试 FIN 对青光眼进展预测的有效性，发现对于基于 PLR3 的进展，ResNet、EfficientNet 和 RETFound 结合 FIN 后，总体 AUC 均有提升 。
研究结论和讨论部分指出，深度学习模型在青光眼筛查中存在群体间性能差异，而 FIN 模块有潜力缩小这种差距，且不会降低甚至能提升整体性能。通过特征分布可视化发现，FIN 增强了不同群体间特征的区分度，优化了青光眼筛查结果和公平性 。然而，研究也存在一些局限性，如未研究不同青光眼严重程度阶段的筛查准确性差异、未评估样本量平衡时的筛查公平性、未探索 FIN 与其他深度学习模型的结合效果，以及衡量公平性的指标较为有限等 。但这一研究为青光眼筛查的公平化提供了重要的理论和实践基础，为后续研究指明了方向，对推动公平的青光眼筛查具有重要意义。
