编辑推荐：
在医学影像诊断中，OCT 图像病变标注数据匮乏，现有弱监督方法存在归因不精确、定位质量差的问题。研究人员开展了基于 OCT-CAE 的弱监督病变定位研究，实验表明该方法能有效分离图像潜在信息空间，性能卓越，为 OCT 诊断提供精准支持。
在医学领域，视网膜病变是严重威胁公众健康的一大难题，它是导致视力受损的重要原因。光谱域光学相干断层扫描（SD-OCT）成像技术的出现，为眼科医生获取视网膜扫描信息、提高诊断效率提供了有力支持。然而，随着人工智能（AI）和深度学习（DL）在医学影像计算机辅助诊断领域的广泛应用，问题也逐渐暴露出来。
传统的监督学习虽然能让 DL 模型有效区分患病和健康样本、分割病变区域，但它对大量标注数据的依赖成为了难以跨越的障碍。在医学图像领域，获取标注数据，尤其是病变分割所需的像素级标注，困难重重。手动诊断和标注病变不仅耗费大量时间，还容易出错，对于复杂的 3D OCT 图像和大规模组织病理学图像更是如此。
为解决标注数据不足的问题，无监督、半监督和弱监督学习方法应运而生。无监督病变检测方法仅依靠健康样本训练，试图构建一个只有正常数据能编码的潜在流形，以此检测病变，但这种方法存在局限性。弱监督病变定位方法利用图像级标签或粗标签构建分割模型，虽有一定进展，但现有方法普遍存在归因不精确和偏差问题。基于梯度的方法容易陷入局部最优，导致定位出现假阳性或假阴性；图像到图像（I2I）翻译方法虽能生成合成图像对来定位病变，但难以避免对无关区域的修改，即便采用了一些正则化方法，仍容易出现假阳性。
在这样的背景下，为了实现更精准的 OCT 图像病变定位，研究人员开展了基于引导反事实解释器模型的 OCT 图像弱监督病变定位与归因研究。他们提出了一种名为光学相干断层扫描类别关联嵌入（OCT-CAE）的方法，该研究成果发表在《Expert Systems with Applications》上。这一研究意义重大，它有望突破现有方法的局限，为 OCT 图像诊断提供更可靠的技术支持。
研究人员开展此项研究时，主要运用了以下关键技术方法：采用 ResNet50 构建弱监督模型Φ，该模型以图像x∈{n}(n=1?N)为输入，生成输出yc∈C 。基于 CycleGAN 的概念开发了模型Ψ，用于分解和反事实生成 OCT 图像。通过这两个模型的协同工作，实现对 OCT 图像的分析。
研究结果
- 病变定位与归因：研究人员在两个公开数据集上进行了广泛实验。通过 OCT-CAE 方法，将每个样本编码为一对子空间，其中低维公共子空间嵌入与分类相关的信息，个体子空间嵌入个体特定信息。训练好的 OCT-CAE 模型可以自由重组两个子空间的代码，生成逼真的图像。通过改变公共代码使生成图像的类别发生翻转，对比修改前后的图像，就能在无需区域标注的情况下识别病变区域。实验结果表明，OCT-CAE 能有效分离图像中的潜在信息空间，在病变定位和归因方面表现出色，生成了准确的显著性图，可视化了流形内的特征转换。
- 性能评估：在不同数据集上的定位和归因实验充分验证了 OCT-CAE 的性能。该方法能够在弱监督条件下，利用图像级标注实现精准的病变定位，减少了对像素级标注的依赖，提高了病变定位和归因的准确性，为医学影像的 AI 诊断提供了更可靠的依据。
研究结论与讨论
研究人员提出的 OCT-CAE 方法为 OCT 图像的弱监督病变定位提供了创新解决方案。它通过可解释人工智能（xAI）框架，将数据中与类别相关和不相关的信息分解到两个独立子空间。与类别相关的公共代码有助于解读 OCT 图像分类器的深层全局规则，通过操纵公共代码生成反事实图像，进而实现病变定位。
该方法有效避免了局部最优问题，减少了假阳性结果，在两个数据集上都取得了优异的性能表现，生成了精确的显著性图，提升了定位和归因的准确性。这不仅为眼科医生诊断视网膜病变提供了有力的辅助工具，还增强了人们对医学影像 AI 诊断的信任。同时，该研究也为后续相关研究提供了新思路和方法，推动了医学影像弱监督学习领域的发展，在医学健康领域具有重要的应用价值和研究意义。
