Macretina数据集：支持深度学习辅助早产儿视网膜病变诊断的专业标注资源

《Scientific Reports》：Macretina: a dataset, to support deep learning assisted retinopathy of prematurity diagnosis

本研究针对早产儿视网膜病变(ROP)诊断中缺乏高质量公开数据集的问题，开发了首个专业标注的多任务ROP数据集Macretina。该数据集包含1,432张视网膜图像，提供脊线/分界线分类、视盘定位和血管分割三种标注，经深度学习模型验证具有较高应用价值，为AI辅助ROP筛查提供了重要资源。

　　

在新生儿重症监护领域，早产儿视网膜病变(ROP)犹如一个潜伏的"视力杀手"，这种视网膜血管增生性疾病已成为儿童盲的主要原因之一。特别在印度等中等收入国家，超过64%的农村人口面临医疗资源匮乏的困境，ROP的及时诊断往往因专业眼科医生短缺而延误，导致许多婴儿错过最佳治疗窗口。

传统的ROP诊断依赖眼科医生通过视网膜成像进行人工评估，但这种方法存在明显局限性。一方面，不同医生之间的诊断一致性有限；另一方面，ROP的早期征象如脊线(demarcation line)和血管异常变化细微，极易被忽视。更令人担忧的是，一种名为Aggressive ROP(A-ROP)的快速进展型病变近年来在印度发病率上升，其不典型的临床表现更增加了诊断难度。

人工智能(AI)技术为ROP筛查带来了新希望。深度学习模型能够识别人眼难以察觉的细微病变特征，有望实现ROP的自动化筛查。然而，这一领域的进展却因高质量公开数据的缺乏而严重受限。现有ROP数据集往往只针对单一病理特征进行标注，或样本量不足以训练可靠的深度学习模型。这种"数据荒"成为制约AI辅助ROP诊断技术从实验室走向临床的关键瓶颈。

面对这一挑战，印度理工学院印多尔分校的Urvesh Trivedi、Abhishek Srivastava与Macretina医院的Pratik Mahajan医生合作，在《Scientific Reports》上发表了题为"Macretina: a dataset, to support deep learning assisted retinopathy of prematurity diagnosis"的研究论文，推出了一个专业标注的ROP数据集Macretina，旨在为AI辅助ROP诊断研究提供高质量数据资源。

研究人员采用的技术方法主要包括：从Macretina医院收集1,432张早产儿视网膜图像，使用3nethra Neo广角视网膜成像系统获取图像；通过专业眼科医生团队进行多轮质量控制和标注，创建三个子数据集分别用于分类、目标检测和分割任务；采用多种深度学习模型（VGG、MobileNet、DenseNet201、YOLOv5、U-Net等）验证数据集的实用性。

数据集准备

研究团队从Macretina医院收集了112名早产儿的1,432张视网膜图像，所有图像均使用3nethra Neo广角视网膜成像系统拍摄，视野角度为120度。经过严格的质量筛选，排除了303张模糊、有伪影或诊断相关性低的图像，最终973张图像进入标注流程。标注工作由资深ROP专家团队完成，标注者间一致性科恩卡帕值达到0.89，保证了标注质量的高可靠性。

数据集描述

Macretina数据集包含三个专业设计的子集：Macretina-Ridge包含465张图像，用于脊线/分界线的二分类任务；Macretina-OD包含500张带有视盘边界框标注的图像，支持目标检测任务；Macretina-BV包含38张A-ROP病例的血管分割标注，专注于复杂的血管异常分析。数据集涵盖了从正常视网膜到各阶段ROP的完整疾病谱，特别是包含了常规数据集中少见的A-ROP病例。

实验结果

在分类任务中，DenseNet201模型在Macretina-Ridge子集上取得了91.50%的准确率，表明数据集能有效支持脊线检测模型的开发。在视盘检测方面，YOLOv5模型表现优异，mAP@0.5达到0.994， recall为0.993，证明标注质量满足高精度定位需求。血管分割任务中，U-Net和AG U-Net模型在复杂A-ROP病例上仍能达到96%以上的准确率，尽管Dice系数相对较低（0.4442和0.4571），这反映了A-ROP病例血管异常的复杂性。

讨论与结论

Macretina数据集的独特优势在于其多任务标注设计和临床实用性。与现有ROP数据集相比，它同时提供三种关键病理特征的标注，支持完整的ROP诊断流程。专家验证的标注质量确保了数据可靠性，而包含的A-ROP病例增强了临床相关性。数据集的局限性在于未包含晚期ROP病例（4-5期）且血管分割标注数量有限，这些将在未来版本中完善。

研究的创新性体现在首次提供了专门针对印度人群的ROP数据集，采用了在当地广泛使用的3nethra Neo成像系统，这有助于开发更适合中等收入国家医疗环境的AI诊断工具。未来，团队计划扩展数据集规模，纳入多中心数据，并探索AI诊断模型与临床工作流程的整合。

Macretina数据集的发布填补了ROP研究领域高质量公开数据的空白，为开发可靠、可推广的AI辅助ROP筛查系统奠定了重要基础。特别是在医疗资源不均的地区，这一资源有望推动低成本、高效率的ROP筛查方案发展，最终降低早产儿因ROP导致的视力损害风险。