自我监督学习与混合深度模型在预测白内障手术后Fuchs内皮性角膜营养不良进展中的应用

《Computer Methods and Programs in Biomedicine》：Self-supervised learning and hybrid deep models for predicting the progression of Fuchs’ endothelial corneal dystrophy after cataract surgery

本研究提出一种结合临床知识的深度学习框架，利用Scheimpflug成像数据预测FECD患者术后角膜失代偿风险。通过RANSAC算法优化BFS估算，设计双分支网络整合环形特征，集成多模型训练和加权对比损失的自监督学习，显著提升AUC至0.94，并验证了跨机构的泛化能力。

　　### 深度学习在预测Fuchs内皮角膜营养不良术后内皮角膜移植中的应用

Fuchs内皮角膜营养不良（FECD）是一种影响角膜内皮的遗传性疾病，其特征是内皮细胞逐渐减少，角膜内皮膜出现增生，以及角膜水肿。该疾病在术后角膜解剖结构破坏的风险显著增加，因此需要对角膜移植（EK）进行可靠的预测，以帮助手术规划。然而，传统的角膜生物标志物在预测方面的价值有限，难以提供全面的预后评估。为了克服这一挑战，本文提出了一种基于Scheimpflug光学相干断层扫描成像的深度学习框架，旨在提高FECD的预后预测能力。

### 方法概述

本文提出的方法包含三个主要组成部分，以应对数据有限的问题。首先，将临床领域知识整合到模型中，包括基于RANSAC算法的角膜最佳拟合球体（BFS）估计和双分支网络设计，结合极坐标池化（Polar Pooling）以模仿临床推理。其次，采用集成学习（Ensemble Learning）方法，通过在不同数据子集中训练多个模型并平均其预测结果，提高模型的稳定性和泛化能力。第三，引入自监督学习（Self-Supervised Learning, SSL）框架，通过无标签数据进行预训练，以学习可迁移的表示，并减少对标注数据的依赖。此外，还设计了一个基于对比学习的自监督任务，该任务区分同一患者不同时间点的角膜图像，并通过加权对比损失函数强调角膜不规则性。

### 数据集描述

本文使用了两个不同的数据集：一个较小的标注数据集用于目标任务（医学诊断），另一个较大的无标注数据集用于自监督预训练。两个数据集都包含基于Scheimpflug技术的角膜参数图，包括前表面和后表面的角膜高度、曲率、厚度、角膜密度以及其他角膜特征图。标注数据集包含240只眼睛的图像，来自211名患有视力丧失、FECD和白内障的患者，这些患者接受了白内障手术。无标注数据集则包含来自不同医院的健康和患病患者的角膜图像，以最大化自监督模型的训练数据。此外，还计算了两个角膜生物标志物PaqRel和DensAnt，用于与之前的方法进行比较。

### 临床领域知识的整合

为了提高模型的诊断能力，本文在两个层面整合了临床领域知识。首先，在预处理阶段，通过基于RANSAC的算法估计BFS高度图，以帮助识别角膜表面的细微不规则性。其次，在网络架构中，采用双分支设计，其中第二个分支通过极坐标池化（Polar Pooling）专注于医学上重要的角膜区域。这种设计使得模型能够更有效地捕捉与FECD相关的特征，提高其在临床环境中的适用性。

### 集成学习的应用

为了提高模型的稳定性和泛化能力，本文采用了集成学习（Ensemble Learning）策略，具体为基于Bootstrap的聚合（Bagging）。通过在不同数据子集上训练多个模型并平均其预测结果，可以有效减少模型的方差，提高预测的一致性。在实验中，发现当训练迭代次数达到70次时，AUC的相对标准差降至1%以下，表明模型预测的稳定性得到了显著提升。

### 自监督学习的引入

由于标注数据的稀缺，本文引入了自监督学习（SSL）方法，以利用无标签数据进行预训练。SSL通过设计预训练任务（pretext task）来学习有意义的表示，这些表示可以迁移到下游任务中，从而减少对大规模标注数据的需求。本文采用了基于对比学习的SSL方法，通过设计一个图像匹配的预训练任务，模型被训练以识别是否为同一患者在不同时间点的角膜图像。为了增强模型的区分能力，本文引入了一种加权对比损失函数，该函数强调角膜内部区域的不规则性，以提高模型在下游任务中的性能。

### 实验结果与分析

在多中心数据集上，本文提出的框架达到了0.94的AUC，显著优于基于生物标志物的传统模型，并且在不同医院的数据集上表现出良好的泛化能力。实验结果表明，基于RANSAC的BFS估计方法在FECD的预测中表现出色，特别是在后表面高度图的处理上。此外，双分支架构在性能上优于单一分支架构，显示出其在捕捉全局结构和局部特征方面的优势。

### 模型的鲁棒性与可解释性

为了提高模型的鲁棒性和可解释性，本文采用了集成学习和自监督学习相结合的方法。通过集成多个模型的预测结果，可以有效减少模型的方差，提高预测的稳定性。此外，自监督学习通过对比损失函数，使得模型能够学习到更具临床意义的特征，从而提高其在实际应用中的表现。同时，通过Grad-CAM等可解释性工具，可以直观地展示模型在图像中的注意力分布，帮助医生理解模型的决策过程。

### 与现有方法的比较

本文提出的方法在多个指标上优于现有的基于生物标志物的模型。例如，基于PaqRel和DensAnt的逻辑回归模型在AUC上达到了0.9175，而本文提出的模型达到了0.9401，显示出显著的提升。此外，通过与SimCLR和SCE等先进自监督学习方法的比较，发现本文设计的加权对比损失函数在提高模型性能方面具有优势。尽管这些方法在某些情况下表现出色，但它们未能在本文的数据集上达到最佳性能，表明设计一个适合特定医学任务的预训练任务至关重要。

### 进一步的分析与讨论

在进一步的分析中，本文探讨了模型在不同决策阈值下的表现。例如，在患者转诊场景中，模型需要更高的灵敏度以确保所有有风险的患者都能被及时识别，而在手术规划场景中，模型需要更高的特异性以避免不必要的干预。实验结果显示，模型在这些场景下的表现良好，但在转诊场景中，虽然灵敏度较高，但特异性较低，可能导致更多的误报。此外，模型在不同医院的数据集上的泛化能力也得到了验证，显示出其在多中心医疗环境中的适用性。

### 结论与未来展望

本文提出的深度学习框架在预测FECD术后角膜移植方面表现出色，不仅在AUC指标上优于传统方法，还展示了良好的泛化能力。尽管模型在某些边界情况上的区分能力仍有提升空间，但其在实际应用中的表现已经显示出显著的潜力。未来的工作可以探索其他自监督学习范式，设计新的预训练任务以适应角膜成像的特殊需求，并整合多模态数据源。此外，继续开发可解释性工具也是提高临床接受度和信任度的关键。随着新型角膜成像技术的普及，本文的方法有望在未来的临床实践中发挥更大的作用。