编辑推荐：
为解决糖尿病视网膜病变（DR）分级中病变特征和血管结构利用不充分、类别不平衡等问题，研究人员开展了基于特征协作的双阶段 DR 分级模型研究。结果显示该模型在两个数据集上优势显著，对提高 DR 诊断准确性意义重大。
在医疗领域，糖尿病视网膜病变（Diabetic Retinopathy，DR）如同一个隐匿的 “视力杀手”，悄无声息地威胁着众多糖尿病患者的眼部健康。糖尿病引发的高血糖，就像一场 “生化危机”，对眼睛的多种组织发起攻击。微动脉瘤（Microaneurysms，MAs）、出血（Haemorrhages，HEs）、硬性渗出（Hard Exudates，EXs）和软性渗出（Soft Exudates，SEs）等微血管瘤病变纷纷出现，同时血管结构也变得异常，出现血管扩张、破裂和新生血管等状况。这些病变可不是小打小闹，它们与 DR 的不同阶段紧密相连，是眼科医生诊断 DR 严重程度的重要依据。
目前，国际临床糖尿病视网膜病变分级标准（International Clinical Diabetic Retinopathy Scale，ICDRS）将 DR 的严重程度分为 5 个等级，从 0 级（无 DR）到 4 级（增殖性糖尿病视网膜病变，Proliferative Diabetic Retinopathy，PDR） ，其中 0 - 3 级被统称为非增殖性糖尿病视网膜病变（non - Proliferative Diabetic Retinopathy，non - PDR）。然而，现有的 DR 分级方法却面临着重重困境。基于血管结构的分级依赖血管分割，但缺乏同时拥有像素级血管标注和图像级 DR 多分类标签的数据集，无论是传统手工特征提取的形态学方法，还是深度学习自动特征提取方法，都难以避免血管结构信息的丢失，无法精准评估视网膜血管和病理特征的细微变化。基于病变特征的分级方法中，热图虽然能初步定位病变区域，但对病变形态和边界的展示过于粗糙，区分不同 DR 等级，尤其是 non - PDR 等级的能力有限；病变分割方法虽能提供详细信息，但 DR 基准数据集存在类别不平衡问题，导致模型训练时过度关注多数类，容易过拟合，对少数类的泛化能力下降，严重影响诊断的可靠性。
为了攻克这些难题，来自未知研究机构的研究人员挺身而出，开展了一项极具创新性的研究。他们提出了一种先验引导双阶段糖尿病视网膜病变分级模型，成功在《Expert Systems with Applications》上发表。这项研究意义非凡，它就像是为 DR 分级领域点亮了一盏明灯，有望大幅提高 DR 诊断的准确性，为患者的及时治疗争取宝贵时间。
研究人员在这项研究中主要运用了以下关键技术方法：首先构建了一个端到端的分层框架，包含 XE - Net 和 MFC - Net 两个网络。利用两个公开数据集 DDR 和 IDRiD 进行模型性能评估，数据集图像均被调整为 4288×2848 分辨率 。此外，还引入了类平衡（Class - Balanced，CB）损失函数来处理数据集中的类别不平衡问题。
下面来看看具体的研究结果：
- 双阶段分级模型架构：提出的先验引导双阶段 DR 分级模型，采用端到端分层框架。XE - Net 作为粗分类网络，将血管结构作为先验知识，能够快速准确地区分 PDR 和 non - PDR。因为在 DR 的早期和增殖阶段，血管结构变化明显，XE - Net 正好利用这一特点完成初步分类。MFC - Net 则负责精细分类，它通过多层局部卷积块（Local Convolution Blocks，LCBs）、全局注意力块（Global Attention Blocks，GABs）和特征协作块（Feature Collaboration Blocks，FCBs），增强了特征表示能力，促进了全局和局部特征的交互。这样一来，MFC - Net 既能捕捉到病变的细微细节，又能有效整合全局信息，大大提高了 DR 分级的准确性，尤其是在 non - PDR 的精细分类上表现出色。
- 类平衡损失函数的作用：研究中提出的 CB 损失函数，通过动态调整不同类别的损失权重，成功缓解了训练过程中的类别不平衡问题。同时，借助 Transformer 的全局建模能力和自注意力机制，模型能够更加关注少数类区域，在训练时动态调整损失权重，优先学习少数类样本的特征，显著提升了模型对少数类区域的判别能力和整体泛化能力。
- 模型性能评估：研究人员使用 DDR 和 IDRiD 数据集对模型进行测试。在这两个数据集上的实验结果表明，该模型相比以往的方法具有显著优势，能够更准确地对 DR 进行分级，为临床诊断提供了更可靠的依据。
综合来看，这项研究成果意义重大。在结论方面，先验引导双阶段糖尿病视网膜病变分级模型成功整合了血管结构和病变特征信息，有效解决了类别不平衡问题，实现了更精准的 DR 分级。在讨论部分，研究人员进一步强调了该模型在临床应用中的潜力，它有望成为眼科医生诊断 DR 的得力助手，提高诊断效率和准确性，减少人为诊断误差。同时，这种将血管结构作为先验知识的创新思路，也为其他相关疾病的诊断研究提供了新的方向和借鉴。未来，随着技术的不断发展和研究的深入，相信这一模型还将不断优化，为糖尿病视网膜病变的防治事业做出更大的贡献。
