基于低秩微调与跨模态分析的年龄相关性黄斑变性智能分类框架

针对年龄相关性黄斑变性(AMD)单模态诊断的局限性，研究人员提出创新性多模态深度学习框架，通过低秩适应(LoRA)技术微调预训练模型，结合深度典型相关分析(DCCA)实现CFP与OCT跨模态特征融合。该模型在MMC-AMD数据集上F1值达0.948，参数效率提升200倍，为复杂眼底病变识别提供新范式。

　　

年龄相关性黄斑变性(AMD)作为老年群体高发的视网膜退行性疾病，是全球不可逆性视力丧失的主要元凶。尽管彩色眼底照相(CFP)和光学相干断层扫描(OCT)已成为临床常规检测手段，但单一模态成像难以全面捕捉AMD复杂的病理特征。

为解决这一难题，研究者构建了革命性的多模态分析框架：首先采用双视觉Transformer架构分别提取CFP和OCT的深层特征，随后通过深度典型相关分析(DCCA)进行非线性特征映射与跨模态关联最大化。更巧妙的是，该研究引入低秩适应(LoRA)技术——通过对参数矩阵进行低秩分解，仅需训练0.49%的可调参数即超越全参数微调效果，计算效率提升令人惊叹。

在公开数据集MMC-AMD上的实验数据亮眼：整体F1-score达0.948，AUC-ROC曲线下面积0.991，准确率0.949。这套"双模态特征提取+智能融合"的方案，在识别复杂病理亚型时展现出显著优势，犹如为眼科医生装配了AI驱动的"多光谱诊断眼"。特别值得注意的是，其参数效率较传统方法提升近200倍，为临床部署扫清了算力障碍。