基于多任务学习与医学可解释性指标（MXI）的年龄相关性黄斑变性智能诊断新方法

为解决深度学习模型在年龄相关性黄斑变性（AMD）诊断中缺乏医学可解释性的问题，Lily Shi提出了一种创新的多任务学习框架（DLMX），整合AMD分类与病灶分割任务，并开发了医学可解释性指标（MXI）量化模型决策的临床相关性。该研究在ADAM数据集上实现了AUC 0.96（分类）和DSC 0.59（分割）的优异性能，为AI驱动的医疗诊断提供了可量化解释的新范式，显著提升了临床信任度。

　　

年龄相关性黄斑变性（AMD）是全球50岁以上人群视力丧失的首要原因，影响着约2亿患者。尽管深度学习在眼底图像分析中展现出卓越的诊断潜力，但其“黑箱”决策过程严重阻碍了临床落地——医生无法验证模型是否基于医学特征（如玻璃膜疣、出血等）做出判断。这种信任危机促使研究者探索兼具高精度与可解释性的AI解决方案。

美国The Harker School的Lily Shi在《Scientific Reports》发表研究，提出Deep Learning with Medical eXplainability（DLMX）框架。该工作通过两项创新突破：一是构建多任务学习模型，同步执行AMD分类和病灶分割，使模型能像临床医生一样用病灶特征支持诊断；二是首创医学可解释性指标（MXI），通过计算热图与分割病灶的重叠度（Inclusion Ratio），量化模型决策的医学合理性。研究采用ADAM数据集（400张标注图像），以U-Net为架构，测试了EfficientNet-B7/B3/B0和ResNet等编码器，结合交叉熵+Dice损失函数优化多任务训练，并利用Grad-CAM生成热图进行可解释性分析。

网络架构
DLMX基于U-Net编码器-解码器结构，编码器采用CNN提取特征（测试了EfficientNet-B7等四种架构），分类分支通过全连接层输出AMD概率，解码器则生成病灶分割图。共享参数的多任务设计使分类与分割相互促进：病灶细节提升分类准确性，全局特征优化分割性能。

模型性能结果
以EfficientNet-B7为骨干的DLMX表现最优：AMD分类AUC达0.96±0.03，显著优于单任务基线（0.94±0.04）；玻璃膜疣分割DSC为0.59±0.18，超越基线0.50±0.23。多任务框架对困难任务（分割）的提升更显著，验证了联合学习对医学特征提取的增强作用。

MXI指标
MXI通过热图与分割掩模的重叠比例（IR）评估模型关注区域的医学相关性。实验显示MXI与基于专家标注的MXI_GT高度一致（Spearman ρ=0.921），均值达0.432。典型案例分析揭示：高MXI（0.94）时模型聚焦玻璃膜疣区域，低MXI（0.13）时则误关注视盘，直观展示决策依据的可信度。扩展至多病灶（渗出、出血等）后，MXI仍保持0.417的稳健性，证实其普适价值。

该研究首次将多任务学习与可解释性量化结合，解决了AI医疗的两大核心矛盾：一方面，通过病灶分割路径融入医学先验知识，避免纯数据驱动模型的“无意义关联”；另一方面，MXI指标使模型决策过程透明化，临床医生可直观验证AI是否基于合理医学特征判断。相比ADAM竞赛最佳成绩，DLMX在分割任务（DSC 0.59 vs 0.5549）实现突破，且创新性地提供了传统模型不具备的解释维度。

值得注意的是，模型自发关注视盘区域的现象暗示血管网络可能蕴含未知AMD标志物，这为未来研究指明方向。该框架可灵活整合新发现的生物标志物，推动AI从“黑箱”向“医学伙伴”演进，对加速AI临床落地具有范式意义。