基于人工智能的彩色眼底图像青光眼检测：结合共病情况与跨机构分析

《Journal of the Chinese Medical Association》：Artificial intelligence-assisted glaucoma detection on color fundus images: with comorbidity and cross-institutional analysis

AI辅助青光眼检测系统通过图像预处理、语义分割和加权图像处理提升诊断精度，在6个跨机构数据集验证中平衡准确率≥80%，尤其在存在其他眼部疾病时仍保持稳定性能，为低成本筛查提供可靠工具。

　　本文探讨了利用人工智能技术检测青光眼的创新方法，并评估了该系统在不同临床环境中的适用性。青光眼是导致不可逆失明的主要原因之一，早期发现对于防止视力丧失至关重要。然而，传统的筛查方法往往需要昂贵的设备和专家解读，这在许多医疗资源有限的机构中难以实施。因此，研究团队开发了一种低成本、人工智能驱动的系统，能够基于常见的色差视网膜成像（color fundus photography）进行青光眼检测。该系统在不同医院、不同设备和不同患者群体中都表现出色的可靠性，包括那些患有其他视网膜疾病（comorbidities）的患者。

### 研究背景与意义

青光眼的诊断通常依赖于多种医学成像工具，如视网膜神经纤维层扫描（RNFL scanning）和视网膜视场分析（visual field analysis）。这些方法虽然有效，但实施成本高，对专业人员依赖性强，限制了其在基层医疗中的应用。色差视网膜成像作为一种简单、低成本且非侵入式的筛查方法，已被广泛使用。然而，这种成像方式在诊断青光眼时面临挑战，尤其是在存在其他视网膜疾病的情况下，可能干扰诊断。因此，研究团队希望通过人工智能技术，提高青光眼检测的准确性和可靠性，同时确保其在不同医疗机构和设备中的通用性。

### 方法与技术

研究采用了一种分步的人工智能流程，结合图像增强、自动识别视神经头（optic nerve head, ONH）区域和基于深度学习的分类。首先，系统使用了色差成像技术，保留绿色光波长以增强图像特征。接着，利用图像处理算法对绿色通道进行增强，提高图像的对比度和清晰度。随后，通过语义分割模型（DeepLabV3+）识别关键的诊断区域，如视神经头和周围神经纤维层。这些分割结果被用来生成加权图像，使得分类模型可以专注于关键区域，减少其他干扰因素的影响。最后，使用预训练的EfficientNetV2-M模型进行分类，并通过调整学习率和使用Focal Loss作为损失函数来优化模型性能。

### 实验结果

在实验中，研究团队使用了来自台北荣民医院的1696张图像进行训练，并在五个跨区域的外部数据集中进行测试。这些数据集包括四个公开数据集（DRISHTI-GS1、VEIRC、Refuge、LES-AV）和一个私人数据集（Cheng Hsin General Hospital）。结果显示，该人工智能系统在所有外部数据集上均达到了至少80%的平衡准确率（balanced accuracy）。对于含有其他视网膜疾病图像的测试，系统达到了0.93的曲线下面积（AUC）和80.9%的平衡准确率。此外，该系统的性能在不同患者种族、成像设备和图像质量下保持稳定，表明其具有良好的泛化能力。

### 系统优势与应用潜力

研究团队强调，该系统不仅在图像质量上具有优势，还通过加权图像策略减少了其他疾病对诊断的干扰。使用色差成像技术可以提高视神经纤维层（RNFL）的可见性，从而改善青光眼的检测效果。通过图像增强和加权处理，系统能够更准确地识别青光眼的关键特征，如视神经头的异常和神经纤维层的变化。这种技术不仅提高了诊断的准确性，还降低了对昂贵设备和专业人员的依赖，使得青光眼筛查更加普及和经济。

### 技术细节与创新点

为了提高系统的鲁棒性，研究团队采用了多种图像处理技术。首先，通过图像预处理，如零填充、裁剪和绿色通道提取，确保了背景信号不会干扰后续的卷积神经网络（CNN）建模。然后，使用了对比度受限自适应直方图均衡（CLAHE）算法来增强图像的对比度，这有助于突出青光眼相关的特征。最后，通过不锐化掩模（unsharp masking）来提高图像的清晰度。这些步骤共同构成了一个完整的图像预处理流程，为后续的分类任务奠定了基础。

在图像分割方面，研究团队使用了DeepLabV3+架构，这是一种基于移动网络（MobileNet-V2）的语义分割模型。该模型能够准确地分割视神经头和周围神经纤维层，排除了视网膜其他区域的干扰。分割后的区域被用于生成加权图像，使得分类模型可以更关注于青光眼的关键特征。这种加权策略在提高分类准确率的同时，也减少了其他疾病对模型性能的影响。

### 结论与展望

该研究的结果表明，所提出的青光眼检测系统在多个外部数据集上均表现优异，具有较高的准确率和平衡准确率。系统不仅能够处理来自不同医疗机构和设备的图像，还能在存在其他视网膜疾病的情况下保持良好的诊断性能。这些发现为人工智能在临床诊断中的应用提供了新的思路，特别是在资源有限的环境中，该系统可能成为大规模青光眼筛查的有效工具。

研究团队还指出，尽管该系统在多个数据集上表现良好，但在大规模临床应用中仍需进一步验证。未来的工作可以包括使用前瞻性标记的多机构数据集进行验证，或者通过模拟评估来进一步优化模型的性能。此外，研究还建议在未来的系统中引入客观的亮度指标，以提高模型的可重复性和鲁棒性。

综上所述，本文提出了一种基于人工智能的青光眼检测系统，结合了图像增强、语义分割和加权处理，使得该系统能够在不同医疗机构和图像条件下保持高准确率。该方法不仅提高了青光眼筛查的效率，还为资源有限的医疗机构提供了可行的解决方案。